diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.bg.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.bg.png
new file mode 100644
index 00000000..281a1f10
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.bg.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.cs.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.cs.png
new file mode 100644
index 00000000..281a1f10
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.cs.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hu.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hu.png
new file mode 100644
index 00000000..281a1f10
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hu.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ro.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ro.png
new file mode 100644
index 00000000..d2372f5b
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ro.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sk.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sk.png
new file mode 100644
index 00000000..281a1f10
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sk.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sw.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sw.png
new file mode 100644
index 00000000..6770b8f9
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sw.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.bg.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.bg.png
new file mode 100644
index 00000000..33484211
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.bg.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.cs.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.cs.png
new file mode 100644
index 00000000..92c41b5a
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.cs.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hu.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hu.png
new file mode 100644
index 00000000..a8bb6257
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hu.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ro.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ro.png
new file mode 100644
index 00000000..785476a1
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ro.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sk.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sk.png
new file mode 100644
index 00000000..3718b9ea
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sk.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sw.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sw.png
new file mode 100644
index 00000000..3869aac7
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sw.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.bg.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.bg.png
new file mode 100644
index 00000000..391b5be3
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.bg.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.cs.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.cs.png
new file mode 100644
index 00000000..779d2c2b
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.cs.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hu.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hu.png
new file mode 100644
index 00000000..3089b93a
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hu.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ro.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ro.png
new file mode 100644
index 00000000..93972fd5
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ro.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sk.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sk.png
new file mode 100644
index 00000000..0f6d0c80
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sk.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sw.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sw.png
new file mode 100644
index 00000000..4529febe
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sw.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.bg.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.bg.png
new file mode 100644
index 00000000..a33dc872
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.bg.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.cs.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.cs.png
new file mode 100644
index 00000000..808f673f
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.cs.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hu.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hu.png
new file mode 100644
index 00000000..f71faae1
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hu.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ro.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ro.png
new file mode 100644
index 00000000..50afc4cd
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ro.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sk.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sk.png
new file mode 100644
index 00000000..64b32ba1
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sk.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sw.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sw.png
new file mode 100644
index 00000000..dc648d48
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sw.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.bg.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.bg.png
new file mode 100644
index 00000000..119a9109
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.bg.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.cs.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.cs.png
new file mode 100644
index 00000000..61799e0b
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.cs.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hu.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hu.png
new file mode 100644
index 00000000..f05a4300
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hu.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ro.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ro.png
new file mode 100644
index 00000000..37411a9c
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ro.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sk.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sk.png
new file mode 100644
index 00000000..00811a16
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sk.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sw.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sw.png
new file mode 100644
index 00000000..b51f44b8
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sw.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.bg.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.bg.png
new file mode 100644
index 00000000..6e0d6da2
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.bg.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.cs.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.cs.png
new file mode 100644
index 00000000..58100fb8
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.cs.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hu.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hu.png
new file mode 100644
index 00000000..12eef5cd
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hu.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ro.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ro.png
new file mode 100644
index 00000000..c1193b67
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ro.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sk.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sk.png
new file mode 100644
index 00000000..8b800e4f
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sk.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sw.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sw.png
new file mode 100644
index 00000000..611a775f
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sw.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.bg.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.bg.png
new file mode 100644
index 00000000..f1250bf8
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.bg.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.cs.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.cs.png
new file mode 100644
index 00000000..3306deba
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.cs.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hu.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hu.png
new file mode 100644
index 00000000..5a9a50d8
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hu.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ro.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ro.png
new file mode 100644
index 00000000..88fdd66b
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ro.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sk.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sk.png
new file mode 100644
index 00000000..0188774b
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sk.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sw.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sw.png
new file mode 100644
index 00000000..99cfcc7e
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sw.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.bg.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.bg.png
new file mode 100644
index 00000000..5a4119d8
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.bg.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.cs.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.cs.png
new file mode 100644
index 00000000..27781c56
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.cs.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hu.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hu.png
new file mode 100644
index 00000000..66c3293b
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hu.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ro.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ro.png
new file mode 100644
index 00000000..25a0b75a
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ro.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sk.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sk.png
new file mode 100644
index 00000000..57e12aa6
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sk.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sw.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sw.png
new file mode 100644
index 00000000..f5e188e3
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sw.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.bg.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.bg.png
new file mode 100644
index 00000000..b4ea950c
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.bg.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.cs.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.cs.png
new file mode 100644
index 00000000..57e7e966
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.cs.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hu.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hu.png
new file mode 100644
index 00000000..11baac00
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hu.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ro.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ro.png
new file mode 100644
index 00000000..1b371af8
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ro.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sk.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sk.png
new file mode 100644
index 00000000..e87e4b98
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sk.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sw.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sw.png
new file mode 100644
index 00000000..138554fd
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sw.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.bg.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.bg.png
new file mode 100644
index 00000000..b00455c6
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.bg.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.cs.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.cs.png
new file mode 100644
index 00000000..c8710450
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.cs.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hu.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hu.png
new file mode 100644
index 00000000..e166af03
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hu.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ro.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ro.png
new file mode 100644
index 00000000..c9c9ccd5
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ro.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sk.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sk.png
new file mode 100644
index 00000000..4e1d4517
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sk.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sw.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sw.png
new file mode 100644
index 00000000..3b572d86
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sw.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.bg.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.bg.png
new file mode 100644
index 00000000..6460179a
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.bg.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.cs.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.cs.png
new file mode 100644
index 00000000..f5597d92
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.cs.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hu.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hu.png
new file mode 100644
index 00000000..b24943f4
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hu.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ro.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ro.png
new file mode 100644
index 00000000..2d15ede5
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ro.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sk.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sk.png
new file mode 100644
index 00000000..8728a836
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sk.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sw.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sw.png
new file mode 100644
index 00000000..e371900f
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sw.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.bg.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.bg.png
new file mode 100644
index 00000000..1a68311e
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.bg.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.cs.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.cs.png
new file mode 100644
index 00000000..97aba640
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.cs.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hu.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hu.png
new file mode 100644
index 00000000..52019392
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hu.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ro.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ro.png
new file mode 100644
index 00000000..224da5f5
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ro.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sk.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sk.png
new file mode 100644
index 00000000..ef14f7fe
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sk.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sw.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sw.png
new file mode 100644
index 00000000..f931adcf
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sw.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.bg.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.bg.png
new file mode 100644
index 00000000..55cca2bd
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.bg.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.cs.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.cs.png
new file mode 100644
index 00000000..63c9c76c
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.cs.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hu.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hu.png
new file mode 100644
index 00000000..c0c5e527
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hu.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ro.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ro.png
new file mode 100644
index 00000000..4e12a0af
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ro.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sk.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sk.png
new file mode 100644
index 00000000..1c94472b
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sk.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sw.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sw.png
new file mode 100644
index 00000000..7509f3db
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sw.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.bg.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.bg.png
new file mode 100644
index 00000000..6df57f51
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.bg.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.cs.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.cs.png
new file mode 100644
index 00000000..2b1fec55
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.cs.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hu.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hu.png
new file mode 100644
index 00000000..4159cdc7
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hu.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ro.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ro.png
new file mode 100644
index 00000000..c4f74151
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ro.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sk.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sk.png
new file mode 100644
index 00000000..c8b3977e
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sk.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sw.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sw.png
new file mode 100644
index 00000000..ff07573b
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sw.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.bg.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.bg.png
new file mode 100644
index 00000000..cfc2377f
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.bg.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.cs.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.cs.png
new file mode 100644
index 00000000..32378c1a
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.cs.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hu.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hu.png
new file mode 100644
index 00000000..5a66b1ab
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hu.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ro.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ro.png
new file mode 100644
index 00000000..bb20648e
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ro.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sk.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sk.png
new file mode 100644
index 00000000..1a0780d3
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sk.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sw.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sw.png
new file mode 100644
index 00000000..3b417743
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sw.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.bg.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.bg.png
new file mode 100644
index 00000000..fa4d0394
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.bg.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.cs.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.cs.png
new file mode 100644
index 00000000..18c9aaba
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.cs.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hu.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hu.png
new file mode 100644
index 00000000..328edfdd
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hu.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ro.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ro.png
new file mode 100644
index 00000000..fc4fd796
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ro.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sk.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sk.png
new file mode 100644
index 00000000..d250d2b2
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sk.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sw.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sw.png
new file mode 100644
index 00000000..ce508f3e
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sw.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.bg.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.bg.png
new file mode 100644
index 00000000..df91cfde
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.bg.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.cs.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.cs.png
new file mode 100644
index 00000000..5b2105ed
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.cs.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hu.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hu.png
new file mode 100644
index 00000000..d019c2e1
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hu.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ro.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ro.png
new file mode 100644
index 00000000..59b554f6
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ro.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sk.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sk.png
new file mode 100644
index 00000000..ee6708cf
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sk.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sw.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sw.png
new file mode 100644
index 00000000..e557e4eb
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sw.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.bg.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.bg.png
new file mode 100644
index 00000000..7e10e68b
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.bg.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.cs.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.cs.png
new file mode 100644
index 00000000..864ba8c2
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.cs.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hu.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hu.png
new file mode 100644
index 00000000..b70ca6b6
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hu.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ro.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ro.png
new file mode 100644
index 00000000..e7e934d6
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ro.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sk.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sk.png
new file mode 100644
index 00000000..87251962
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sk.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sw.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sw.png
new file mode 100644
index 00000000..d93c83f6
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sw.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.bg.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.bg.png
new file mode 100644
index 00000000..2ae679a7
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.bg.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.cs.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.cs.png
new file mode 100644
index 00000000..eac649c1
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.cs.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hu.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hu.png
new file mode 100644
index 00000000..accc7e01
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hu.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ro.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ro.png
new file mode 100644
index 00000000..08c2ddb0
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ro.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sk.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sk.png
new file mode 100644
index 00000000..0fcf7e5a
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sk.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sw.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sw.png
new file mode 100644
index 00000000..331ad337
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sw.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.bg.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.bg.png
new file mode 100644
index 00000000..044f9ede
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.bg.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.cs.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.cs.png
new file mode 100644
index 00000000..a0d61cfe
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.cs.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hu.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hu.png
new file mode 100644
index 00000000..f65c730a
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hu.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ro.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ro.png
new file mode 100644
index 00000000..045eb4cd
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ro.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sk.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sk.png
new file mode 100644
index 00000000..be59ec2e
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sk.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sw.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sw.png
new file mode 100644
index 00000000..15e2d2d4
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sw.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.bg.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.bg.png
new file mode 100644
index 00000000..54e1f312
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.bg.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.cs.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.cs.png
new file mode 100644
index 00000000..0c30a880
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.cs.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hu.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hu.png
new file mode 100644
index 00000000..04bbe4f1
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hu.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ro.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ro.png
new file mode 100644
index 00000000..5d3183a7
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ro.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sk.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sk.png
new file mode 100644
index 00000000..e4a9e020
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sk.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sw.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sw.png
new file mode 100644
index 00000000..a83395a5
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sw.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.bg.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.bg.png
new file mode 100644
index 00000000..c604da3e
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.bg.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.cs.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.cs.png
new file mode 100644
index 00000000..c6f38a4a
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.cs.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hu.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hu.png
new file mode 100644
index 00000000..9178e585
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hu.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ro.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ro.png
new file mode 100644
index 00000000..ff56f1b0
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ro.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sk.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sk.png
new file mode 100644
index 00000000..2d981a93
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sk.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sw.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sw.png
new file mode 100644
index 00000000..c39b00b5
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sw.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.bg.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.bg.png
new file mode 100644
index 00000000..ed11480d
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.bg.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.cs.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.cs.png
new file mode 100644
index 00000000..57304406
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.cs.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hu.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hu.png
new file mode 100644
index 00000000..27ac8fc9
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hu.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ro.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ro.png
new file mode 100644
index 00000000..161679e1
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ro.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sk.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sk.png
new file mode 100644
index 00000000..4eda87c1
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sk.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sw.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sw.png
new file mode 100644
index 00000000..615017f9
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sw.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.bg.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.bg.png
new file mode 100644
index 00000000..b46988a6
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.bg.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.cs.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.cs.png
new file mode 100644
index 00000000..db111c5b
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.cs.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hu.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hu.png
new file mode 100644
index 00000000..38b52e70
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hu.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ro.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ro.png
new file mode 100644
index 00000000..8d47bd0b
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ro.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sk.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sk.png
new file mode 100644
index 00000000..8ab2e67c
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sk.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sw.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sw.png
new file mode 100644
index 00000000..988d4a78
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sw.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.bg.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.bg.png
new file mode 100644
index 00000000..d2e383b8
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.bg.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.cs.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.cs.png
new file mode 100644
index 00000000..8cad14df
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.cs.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hu.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hu.png
new file mode 100644
index 00000000..0aeed8a0
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hu.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ro.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ro.png
new file mode 100644
index 00000000..5af96649
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ro.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sk.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sk.png
new file mode 100644
index 00000000..549bc3b5
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sk.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sw.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sw.png
new file mode 100644
index 00000000..0dbb6c61
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sw.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.bg.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.bg.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.bg.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.cs.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.cs.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.cs.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hu.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hu.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hu.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ro.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ro.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ro.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sk.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sk.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sk.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sw.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sw.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sw.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.bg.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.bg.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.bg.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.cs.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.cs.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.cs.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hu.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hu.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hu.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ro.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ro.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ro.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sk.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sk.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sk.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sw.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sw.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sw.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.bg.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.bg.png
new file mode 100644
index 00000000..0674ce89
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.bg.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.cs.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.cs.png
new file mode 100644
index 00000000..0b54ff5d
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.cs.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hu.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hu.png
new file mode 100644
index 00000000..bc18d551
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hu.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ro.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ro.png
new file mode 100644
index 00000000..22d55e75
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ro.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sk.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sk.png
new file mode 100644
index 00000000..d725d8fb
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sk.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sw.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sw.png
new file mode 100644
index 00000000..05ccab79
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sw.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.bg.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.bg.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.bg.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.cs.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.cs.png
new file mode 100644
index 00000000..f0ec59b0
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.cs.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hu.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hu.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hu.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ro.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ro.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ro.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sk.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sk.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sk.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sw.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sw.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sw.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.bg.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.bg.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.bg.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.cs.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.cs.png
new file mode 100644
index 00000000..f3c88464
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.cs.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hu.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hu.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hu.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ro.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ro.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ro.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sk.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sk.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sk.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sw.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sw.png
new file mode 100644
index 00000000..d4d3c761
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sw.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.bg.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.bg.png
new file mode 100644
index 00000000..1ce755ba
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.bg.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.cs.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.cs.png
new file mode 100644
index 00000000..b9037c2b
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.cs.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hu.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hu.png
new file mode 100644
index 00000000..8715f0b3
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hu.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ro.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ro.png
new file mode 100644
index 00000000..c36ce694
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ro.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sk.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sk.png
new file mode 100644
index 00000000..e140d823
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sk.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sw.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sw.png
new file mode 100644
index 00000000..2b1551ea
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sw.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.bg.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.bg.png
new file mode 100644
index 00000000..50562573
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.bg.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.cs.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.cs.png
new file mode 100644
index 00000000..ce3e5d23
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.cs.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hu.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hu.png
new file mode 100644
index 00000000..70a3a216
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hu.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ro.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ro.png
new file mode 100644
index 00000000..42f2f33e
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ro.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sk.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sk.png
new file mode 100644
index 00000000..c27b0b0f
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sk.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sw.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sw.png
new file mode 100644
index 00000000..0feab7ed
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sw.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.bg.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.bg.png
new file mode 100644
index 00000000..480e460f
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.bg.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.cs.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.cs.png
new file mode 100644
index 00000000..b84ce0c4
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.cs.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hu.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hu.png
new file mode 100644
index 00000000..5f9de8cd
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hu.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ro.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ro.png
new file mode 100644
index 00000000..d4275ee2
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ro.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sk.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sk.png
new file mode 100644
index 00000000..e43e4de2
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sk.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sw.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sw.png
new file mode 100644
index 00000000..7f729d62
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sw.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.bg.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.bg.png
new file mode 100644
index 00000000..a93fecdb
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.bg.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.cs.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.cs.png
new file mode 100644
index 00000000..9aa5f209
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.cs.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hu.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hu.png
new file mode 100644
index 00000000..811bf2fd
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hu.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ro.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ro.png
new file mode 100644
index 00000000..fcfdc311
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ro.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sk.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sk.png
new file mode 100644
index 00000000..2d75c0a6
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sk.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sw.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sw.png
new file mode 100644
index 00000000..7996c09c
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sw.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.bg.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.bg.png
new file mode 100644
index 00000000..6d7ee879
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.bg.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.cs.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.cs.png
new file mode 100644
index 00000000..7ff377e0
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.cs.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hu.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hu.png
new file mode 100644
index 00000000..7ff73120
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hu.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ro.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ro.png
new file mode 100644
index 00000000..4e0ae814
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ro.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sk.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sk.png
new file mode 100644
index 00000000..b16ff169
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sk.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sw.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sw.png
new file mode 100644
index 00000000..cd6fbee8
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sw.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.bg.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.bg.png
new file mode 100644
index 00000000..9ec9efc3
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.bg.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.cs.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.cs.png
new file mode 100644
index 00000000..1f80dadd
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.cs.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hu.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hu.png
new file mode 100644
index 00000000..5e221648
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hu.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ro.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ro.png
new file mode 100644
index 00000000..51e26c27
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ro.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sk.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sk.png
new file mode 100644
index 00000000..7d38b908
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sk.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sw.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sw.png
new file mode 100644
index 00000000..5ad8ece5
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sw.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.bg.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.bg.png
new file mode 100644
index 00000000..fdac675c
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.bg.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.cs.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.cs.png
new file mode 100644
index 00000000..46ffb4d5
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.cs.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hu.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hu.png
new file mode 100644
index 00000000..7130ca53
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hu.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ro.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ro.png
new file mode 100644
index 00000000..c54d36eb
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ro.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sk.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sk.png
new file mode 100644
index 00000000..f4b42ee8
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sk.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sw.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sw.png
new file mode 100644
index 00000000..0213441a
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sw.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.bg.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.bg.png
new file mode 100644
index 00000000..0271fdb7
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.bg.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.cs.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.cs.png
new file mode 100644
index 00000000..f1d4a98c
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.cs.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hu.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hu.png
new file mode 100644
index 00000000..53e12b9c
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hu.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ro.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ro.png
new file mode 100644
index 00000000..372e9764
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ro.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sk.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sk.png
new file mode 100644
index 00000000..e7d4172f
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sk.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sw.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sw.png
new file mode 100644
index 00000000..4f2541ae
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sw.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.bg.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.bg.png
new file mode 100644
index 00000000..a912714d
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.bg.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.cs.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.cs.png
new file mode 100644
index 00000000..4a4cd8bd
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.cs.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hu.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hu.png
new file mode 100644
index 00000000..81965de0
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hu.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ro.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ro.png
new file mode 100644
index 00000000..60120df7
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ro.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sk.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sk.png
new file mode 100644
index 00000000..3aeb211c
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sk.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sw.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sw.png
new file mode 100644
index 00000000..60028ffe
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sw.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.bg.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.bg.png
new file mode 100644
index 00000000..0910e2ae
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.bg.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.cs.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.cs.png
new file mode 100644
index 00000000..95ad7f5e
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.cs.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hu.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hu.png
new file mode 100644
index 00000000..204cc2c1
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hu.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ro.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ro.png
new file mode 100644
index 00000000..1d6e3b25
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ro.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sk.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sk.png
new file mode 100644
index 00000000..d5d43ba4
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sk.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sw.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sw.png
new file mode 100644
index 00000000..e75ee005
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sw.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.bg.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.bg.png
new file mode 100644
index 00000000..3768876f
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.bg.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.cs.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.cs.png
new file mode 100644
index 00000000..95ad7f5e
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.cs.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hu.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hu.png
new file mode 100644
index 00000000..204cc2c1
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hu.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ro.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ro.png
new file mode 100644
index 00000000..15e96679
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ro.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sk.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sk.png
new file mode 100644
index 00000000..62de3504
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sk.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sw.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sw.png
new file mode 100644
index 00000000..e75ee005
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sw.png differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.bg.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.bg.jpg
new file mode 100644
index 00000000..33f00c1d
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.bg.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.cs.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.cs.jpg
new file mode 100644
index 00000000..789e8027
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.cs.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hu.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hu.jpg
new file mode 100644
index 00000000..3d267084
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hu.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ro.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ro.jpg
new file mode 100644
index 00000000..291da6e4
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ro.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sk.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sk.jpg
new file mode 100644
index 00000000..11a4124f
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sk.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sw.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sw.jpg
new file mode 100644
index 00000000..649f4ab9
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sw.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.bg.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.bg.jpg
new file mode 100644
index 00000000..4c601290
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.bg.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.cs.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.cs.jpg
new file mode 100644
index 00000000..789e8027
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.cs.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hu.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hu.jpg
new file mode 100644
index 00000000..9c0f11ac
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hu.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ro.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ro.jpg
new file mode 100644
index 00000000..291da6e4
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ro.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sk.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sk.jpg
new file mode 100644
index 00000000..11a4124f
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sk.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sw.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sw.jpg
new file mode 100644
index 00000000..d30ced39
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sw.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.bg.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.bg.jpg
new file mode 100644
index 00000000..53f96d88
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.bg.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.cs.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.cs.jpg
new file mode 100644
index 00000000..3226ee2f
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.cs.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hu.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hu.jpg
new file mode 100644
index 00000000..71b7d4a5
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hu.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ro.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ro.jpg
new file mode 100644
index 00000000..b59b051b
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ro.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sk.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sk.jpg
new file mode 100644
index 00000000..40c59b80
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sk.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sw.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sw.jpg
new file mode 100644
index 00000000..a0b061cf
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sw.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.bg.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.bg.jpg
new file mode 100644
index 00000000..53f96d88
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.bg.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.cs.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.cs.jpg
new file mode 100644
index 00000000..3226ee2f
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.cs.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hu.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hu.jpg
new file mode 100644
index 00000000..71b7d4a5
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hu.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ro.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ro.jpg
new file mode 100644
index 00000000..4307a758
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ro.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sk.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sk.jpg
new file mode 100644
index 00000000..40c59b80
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sk.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sw.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sw.jpg
new file mode 100644
index 00000000..a81fd77a
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sw.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.bg.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.bg.jpg
new file mode 100644
index 00000000..85c02235
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.bg.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.cs.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.cs.jpg
new file mode 100644
index 00000000..3d7b2d77
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.cs.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hu.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hu.jpg
new file mode 100644
index 00000000..f83f55a4
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hu.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ro.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ro.jpg
new file mode 100644
index 00000000..6dc61580
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ro.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sk.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sk.jpg
new file mode 100644
index 00000000..17356b40
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sk.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sw.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sw.jpg
new file mode 100644
index 00000000..bfb091a4
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sw.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.bg.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.bg.jpg
new file mode 100644
index 00000000..85c02235
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.bg.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.cs.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.cs.jpg
new file mode 100644
index 00000000..5d182ab6
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.cs.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hu.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hu.jpg
new file mode 100644
index 00000000..f83f55a4
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hu.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ro.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ro.jpg
new file mode 100644
index 00000000..cc5660a1
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ro.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sk.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sk.jpg
new file mode 100644
index 00000000..541a6c85
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sk.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sw.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sw.jpg
new file mode 100644
index 00000000..8b323ff5
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sw.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.bg.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.bg.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.bg.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.cs.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.cs.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.cs.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hu.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hu.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hu.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ro.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ro.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ro.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sk.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sk.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sk.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sw.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sw.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sw.jpg differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.bg.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.bg.png
new file mode 100644
index 00000000..545f7609
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.bg.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.cs.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.cs.png
new file mode 100644
index 00000000..a7abd7d5
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.cs.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hu.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hu.png
new file mode 100644
index 00000000..7d1a9392
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hu.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ro.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ro.png
new file mode 100644
index 00000000..426ac1fa
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ro.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sk.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sk.png
new file mode 100644
index 00000000..2c43d804
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sk.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sw.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sw.png
new file mode 100644
index 00000000..6ebdae98
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sw.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.bg.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.bg.png
new file mode 100644
index 00000000..0ab5b8d2
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.bg.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.cs.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.cs.png
new file mode 100644
index 00000000..cf603529
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.cs.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hu.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hu.png
new file mode 100644
index 00000000..b7e19764
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hu.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ro.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ro.png
new file mode 100644
index 00000000..b015e791
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ro.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sk.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sk.png
new file mode 100644
index 00000000..42a1e4f1
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sk.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sw.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sw.png
new file mode 100644
index 00000000..a11adc84
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sw.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.bg.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.bg.png
new file mode 100644
index 00000000..8f882c12
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.bg.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.cs.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.cs.png
new file mode 100644
index 00000000..4a2fde92
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.cs.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hu.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hu.png
new file mode 100644
index 00000000..798a9588
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hu.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ro.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ro.png
new file mode 100644
index 00000000..667e9cdd
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ro.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sk.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sk.png
new file mode 100644
index 00000000..819099a0
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sk.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sw.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sw.png
new file mode 100644
index 00000000..fc2071c3
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sw.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.bg.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.bg.png
new file mode 100644
index 00000000..2e7db0ef
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.bg.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.cs.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.cs.png
new file mode 100644
index 00000000..667b3e6f
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.cs.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hu.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hu.png
new file mode 100644
index 00000000..a52ee955
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hu.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ro.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ro.png
new file mode 100644
index 00000000..bbb0e576
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ro.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sk.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sk.png
new file mode 100644
index 00000000..e27259e1
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sk.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sw.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sw.png
new file mode 100644
index 00000000..a5f9cdb4
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sw.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.bg.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.bg.png
new file mode 100644
index 00000000..35740243
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.bg.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.cs.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.cs.png
new file mode 100644
index 00000000..e6c0ec06
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.cs.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hu.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hu.png
new file mode 100644
index 00000000..b35f9ad2
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hu.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ro.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ro.png
new file mode 100644
index 00000000..514c838f
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ro.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sk.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sk.png
new file mode 100644
index 00000000..44af6fa0
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sk.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sw.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sw.png
new file mode 100644
index 00000000..224240cf
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sw.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.bg.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.bg.png
new file mode 100644
index 00000000..35740243
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.bg.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.cs.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.cs.png
new file mode 100644
index 00000000..e6c0ec06
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.cs.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hu.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hu.png
new file mode 100644
index 00000000..8c3aa83a
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hu.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ro.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ro.png
new file mode 100644
index 00000000..004bc04e
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ro.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sk.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sk.png
new file mode 100644
index 00000000..44af6fa0
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sk.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sw.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sw.png
new file mode 100644
index 00000000..224240cf
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sw.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.bg.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.bg.png
new file mode 100644
index 00000000..7c167ba5
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.bg.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.cs.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.cs.png
new file mode 100644
index 00000000..a15efb32
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.cs.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hu.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hu.png
new file mode 100644
index 00000000..1bb33566
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hu.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ro.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ro.png
new file mode 100644
index 00000000..edb6da3f
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ro.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sk.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sk.png
new file mode 100644
index 00000000..92e7b2d4
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sk.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sw.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sw.png
new file mode 100644
index 00000000..7d9c5f08
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sw.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.bg.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.bg.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.bg.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.cs.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.cs.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.cs.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hu.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hu.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hu.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ro.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ro.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ro.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sk.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sk.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sk.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sw.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sw.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sw.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.bg.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.bg.png
new file mode 100644
index 00000000..81b6cb76
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.bg.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.cs.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.cs.png
new file mode 100644
index 00000000..f8513a1c
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.cs.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hu.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hu.png
new file mode 100644
index 00000000..13129c68
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hu.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ro.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ro.png
new file mode 100644
index 00000000..d8b697f2
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ro.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sk.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sk.png
new file mode 100644
index 00000000..d616e8d8
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sk.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sw.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sw.png
new file mode 100644
index 00000000..f7201866
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sw.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.bg.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.bg.png
new file mode 100644
index 00000000..bd99b9ae
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.bg.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.cs.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.cs.png
new file mode 100644
index 00000000..c157d81a
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.cs.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hu.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hu.png
new file mode 100644
index 00000000..94b84289
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hu.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ro.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ro.png
new file mode 100644
index 00000000..7e22767b
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ro.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sk.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sk.png
new file mode 100644
index 00000000..d0d59223
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sk.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sw.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sw.png
new file mode 100644
index 00000000..d206d62a
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sw.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.bg.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.bg.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.bg.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.cs.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.cs.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.cs.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hu.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hu.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hu.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ro.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ro.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ro.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sk.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sk.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sk.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sw.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sw.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sw.png differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.bg.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.bg.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.bg.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.cs.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.cs.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.cs.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hu.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hu.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hu.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ro.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ro.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ro.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sk.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sk.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sk.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sw.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sw.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sw.jpg differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.bg.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.bg.png
new file mode 100644
index 00000000..007547d2
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.bg.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.cs.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.cs.png
new file mode 100644
index 00000000..c9374c28
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.cs.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hu.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hu.png
new file mode 100644
index 00000000..ca41cbd2
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hu.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ro.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ro.png
new file mode 100644
index 00000000..9eff9179
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ro.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sk.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sk.png
new file mode 100644
index 00000000..a4d0ad5a
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sk.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sw.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sw.png
new file mode 100644
index 00000000..b0a6a973
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sw.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.bg.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.bg.png
new file mode 100644
index 00000000..1119a65f
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.bg.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.cs.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.cs.png
new file mode 100644
index 00000000..d1c3d9ef
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.cs.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hu.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hu.png
new file mode 100644
index 00000000..66946cd1
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hu.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ro.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ro.png
new file mode 100644
index 00000000..b593777b
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ro.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sk.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sk.png
new file mode 100644
index 00000000..ec5c8d3d
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sk.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sw.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sw.png
new file mode 100644
index 00000000..782f5c64
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sw.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.bg.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.bg.png
new file mode 100644
index 00000000..3211cbfd
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.bg.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.cs.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.cs.png
new file mode 100644
index 00000000..2e84c623
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.cs.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hu.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hu.png
new file mode 100644
index 00000000..f72f3da3
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hu.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ro.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ro.png
new file mode 100644
index 00000000..725518c4
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ro.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sk.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sk.png
new file mode 100644
index 00000000..493159f4
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sk.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sw.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sw.png
new file mode 100644
index 00000000..41dc49a9
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sw.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.bg.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.bg.png
new file mode 100644
index 00000000..d350e37f
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.bg.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.cs.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.cs.png
new file mode 100644
index 00000000..30fd0197
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.cs.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hu.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hu.png
new file mode 100644
index 00000000..4f122301
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hu.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ro.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ro.png
new file mode 100644
index 00000000..3ee98595
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ro.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sk.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sk.png
new file mode 100644
index 00000000..e84b567e
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sk.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sw.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sw.png
new file mode 100644
index 00000000..aeb1dbc6
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sw.png differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.bg.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.bg.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.bg.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.cs.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.cs.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.cs.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hu.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hu.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hu.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ro.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ro.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ro.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sk.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sk.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sk.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sw.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sw.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sw.jpg differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.bg.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.bg.png
new file mode 100644
index 00000000..27ce6e67
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.bg.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.cs.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.cs.png
new file mode 100644
index 00000000..c5478ae0
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.cs.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hu.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hu.png
new file mode 100644
index 00000000..e7bbc697
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hu.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ro.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ro.png
new file mode 100644
index 00000000..f50d0130
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ro.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sk.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sk.png
new file mode 100644
index 00000000..37725030
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sk.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sw.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sw.png
new file mode 100644
index 00000000..c84a930f
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sw.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.bg.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.bg.png
new file mode 100644
index 00000000..6f34d9ab
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.bg.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.cs.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.cs.png
new file mode 100644
index 00000000..25ed8b43
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.cs.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hu.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hu.png
new file mode 100644
index 00000000..18e7b405
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hu.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ro.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ro.png
new file mode 100644
index 00000000..c15a8966
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ro.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sk.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sk.png
new file mode 100644
index 00000000..19a778be
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sk.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sw.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sw.png
new file mode 100644
index 00000000..2637e063
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sw.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.bg.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.bg.png
new file mode 100644
index 00000000..77d78490
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.bg.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.cs.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.cs.png
new file mode 100644
index 00000000..c3d4271c
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.cs.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hu.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hu.png
new file mode 100644
index 00000000..864a29e2
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hu.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ro.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ro.png
new file mode 100644
index 00000000..6afd277d
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ro.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sk.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sk.png
new file mode 100644
index 00000000..fe9758ea
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sk.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sw.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sw.png
new file mode 100644
index 00000000..243197ca
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sw.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.bg.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.bg.png
new file mode 100644
index 00000000..32058a6f
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.bg.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.cs.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.cs.png
new file mode 100644
index 00000000..0f7d5444
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.cs.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hu.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hu.png
new file mode 100644
index 00000000..7dfeefcb
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hu.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ro.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ro.png
new file mode 100644
index 00000000..3e61efd3
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ro.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sk.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sk.png
new file mode 100644
index 00000000..84e4ba96
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sk.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sw.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sw.png
new file mode 100644
index 00000000..f3aca2ef
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sw.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.bg.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.bg.png
new file mode 100644
index 00000000..e58c947d
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.bg.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.cs.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.cs.png
new file mode 100644
index 00000000..94ce2c8d
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.cs.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hu.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hu.png
new file mode 100644
index 00000000..72616ad0
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hu.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ro.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ro.png
new file mode 100644
index 00000000..59ffc67a
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ro.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sk.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sk.png
new file mode 100644
index 00000000..82608ccf
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sk.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sw.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sw.png
new file mode 100644
index 00000000..d606e5b2
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sw.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.bg.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.bg.png
new file mode 100644
index 00000000..e54b1377
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.bg.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.cs.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.cs.png
new file mode 100644
index 00000000..99fe916a
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.cs.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hu.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hu.png
new file mode 100644
index 00000000..056fdc6e
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hu.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ro.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ro.png
new file mode 100644
index 00000000..511e4d22
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ro.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sk.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sk.png
new file mode 100644
index 00000000..be2d6ad7
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sk.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sw.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sw.png
new file mode 100644
index 00000000..601ff729
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sw.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.bg.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.bg.png
new file mode 100644
index 00000000..c4c9e5a5
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.bg.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.cs.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.cs.png
new file mode 100644
index 00000000..9a428ee3
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.cs.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hu.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hu.png
new file mode 100644
index 00000000..b8e1f6a2
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hu.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ro.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ro.png
new file mode 100644
index 00000000..6835acab
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ro.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sk.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sk.png
new file mode 100644
index 00000000..851e25ad
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sk.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sw.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sw.png
new file mode 100644
index 00000000..6835acab
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sw.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.bg.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.bg.png
new file mode 100644
index 00000000..262857fb
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.bg.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.cs.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.cs.png
new file mode 100644
index 00000000..aaa50cb6
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.cs.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hu.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hu.png
new file mode 100644
index 00000000..0d40bf40
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hu.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ro.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ro.png
new file mode 100644
index 00000000..e81fc554
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ro.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sk.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sk.png
new file mode 100644
index 00000000..4a11c57e
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sk.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sw.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sw.png
new file mode 100644
index 00000000..2740b3a3
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sw.png differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.bg.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.bg.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.bg.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.cs.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.cs.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.cs.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hu.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hu.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hu.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ro.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ro.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ro.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sk.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sk.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sk.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sw.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sw.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sw.jpg differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.bg.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.bg.png
new file mode 100644
index 00000000..41bdd95e
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.bg.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.cs.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.cs.png
new file mode 100644
index 00000000..9c3a28e6
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.cs.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hu.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hu.png
new file mode 100644
index 00000000..91b7887d
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hu.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ro.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ro.png
new file mode 100644
index 00000000..f7a24e98
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ro.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sk.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sk.png
new file mode 100644
index 00000000..03313a41
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sk.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sw.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sw.png
new file mode 100644
index 00000000..81094af1
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sw.png differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.bg.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.bg.jpg
new file mode 100644
index 00000000..8b8fddb5
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.bg.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.cs.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.cs.jpg
new file mode 100644
index 00000000..35ceacf8
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.cs.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hu.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hu.jpg
new file mode 100644
index 00000000..ed867409
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hu.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ro.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ro.jpg
new file mode 100644
index 00000000..5676e4e5
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ro.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sk.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sk.jpg
new file mode 100644
index 00000000..ff53f6f5
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sk.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sw.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sw.jpg
new file mode 100644
index 00000000..7bd95d74
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sw.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.bg.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.bg.jpg
new file mode 100644
index 00000000..9dd58cb0
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.bg.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.cs.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.cs.jpg
new file mode 100644
index 00000000..3ea6662e
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.cs.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hu.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hu.jpg
new file mode 100644
index 00000000..eb73f1c8
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hu.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ro.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ro.jpg
new file mode 100644
index 00000000..c802cd1d
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ro.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sk.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sk.jpg
new file mode 100644
index 00000000..04d10e15
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sk.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sw.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sw.jpg
new file mode 100644
index 00000000..cc3717ef
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sw.jpg differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.bg.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.bg.png
new file mode 100644
index 00000000..d4fb2824
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.bg.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.cs.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.cs.png
new file mode 100644
index 00000000..582d8be2
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.cs.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hu.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hu.png
new file mode 100644
index 00000000..711a19d3
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hu.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ro.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ro.png
new file mode 100644
index 00000000..49dc2911
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ro.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sk.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sk.png
new file mode 100644
index 00000000..8e7db373
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sk.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sw.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sw.png
new file mode 100644
index 00000000..635172a8
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sw.png differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.bg.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.bg.jpg
new file mode 100644
index 00000000..7a96f01d
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.bg.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.cs.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.cs.jpg
new file mode 100644
index 00000000..c28439d2
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.cs.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hu.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hu.jpg
new file mode 100644
index 00000000..d0707a44
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hu.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ro.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ro.jpg
new file mode 100644
index 00000000..d3a74419
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ro.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sk.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sk.jpg
new file mode 100644
index 00000000..b54627fd
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sk.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sw.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sw.jpg
new file mode 100644
index 00000000..e2f00335
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sw.jpg differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.bg.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.bg.png
new file mode 100644
index 00000000..17fb4efa
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.bg.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.cs.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.cs.png
new file mode 100644
index 00000000..4de3fc59
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.cs.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hu.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hu.png
new file mode 100644
index 00000000..78ae2bf5
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hu.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ro.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ro.png
new file mode 100644
index 00000000..e762f55a
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ro.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sk.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sk.png
new file mode 100644
index 00000000..8d913842
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sk.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sw.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sw.png
new file mode 100644
index 00000000..cd27072c
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sw.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.bg.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.bg.png
new file mode 100644
index 00000000..f2cfb4b4
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.bg.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.cs.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.cs.png
new file mode 100644
index 00000000..643e7aa6
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.cs.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hu.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hu.png
new file mode 100644
index 00000000..670e9a60
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hu.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ro.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ro.png
new file mode 100644
index 00000000..b7a79b01
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ro.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sk.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sk.png
new file mode 100644
index 00000000..6c607016
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sk.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sw.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sw.png
new file mode 100644
index 00000000..27cd3f80
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sw.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.bg.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.bg.png
new file mode 100644
index 00000000..d285aee0
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.bg.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.cs.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.cs.png
new file mode 100644
index 00000000..f30387ba
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.cs.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hu.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hu.png
new file mode 100644
index 00000000..7da84c52
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hu.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ro.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ro.png
new file mode 100644
index 00000000..051d05ae
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ro.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sk.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sk.png
new file mode 100644
index 00000000..abdaeef3
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sk.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sw.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sw.png
new file mode 100644
index 00000000..a7aa1d75
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sw.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.bg.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.bg.png
new file mode 100644
index 00000000..4f832113
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.bg.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.cs.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.cs.png
new file mode 100644
index 00000000..f29aea00
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.cs.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hu.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hu.png
new file mode 100644
index 00000000..96284b22
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hu.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ro.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ro.png
new file mode 100644
index 00000000..534d023f
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ro.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sk.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sk.png
new file mode 100644
index 00000000..35f8fe1c
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sk.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sw.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sw.png
new file mode 100644
index 00000000..939ee190
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sw.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.bg.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.bg.png
new file mode 100644
index 00000000..b48173fa
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.bg.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.cs.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.cs.png
new file mode 100644
index 00000000..a0d0cd27
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.cs.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hu.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hu.png
new file mode 100644
index 00000000..5cbab306
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hu.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ro.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ro.png
new file mode 100644
index 00000000..af706136
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ro.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sk.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sk.png
new file mode 100644
index 00000000..9f18cc77
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sk.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sw.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sw.png
new file mode 100644
index 00000000..75064c38
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sw.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.bg.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.bg.png
new file mode 100644
index 00000000..8b9adec1
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.bg.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.cs.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.cs.png
new file mode 100644
index 00000000..a85d7f91
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.cs.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hu.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hu.png
new file mode 100644
index 00000000..ec6e3e36
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hu.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ro.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ro.png
new file mode 100644
index 00000000..fbfe1fbd
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ro.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sk.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sk.png
new file mode 100644
index 00000000..4282786a
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sk.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sw.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sw.png
new file mode 100644
index 00000000..2b3c4cf8
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sw.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.bg.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.bg.png
new file mode 100644
index 00000000..c6f22484
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.bg.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.cs.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.cs.png
new file mode 100644
index 00000000..bc9ca930
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.cs.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hu.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hu.png
new file mode 100644
index 00000000..af30698e
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hu.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ro.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ro.png
new file mode 100644
index 00000000..85c2af81
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ro.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sk.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sk.png
new file mode 100644
index 00000000..e4660ca1
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sk.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sw.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sw.png
new file mode 100644
index 00000000..0052203d
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sw.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.bg.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.bg.png
new file mode 100644
index 00000000..4df31fbe
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.bg.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.cs.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.cs.png
new file mode 100644
index 00000000..38c016d0
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.cs.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hu.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hu.png
new file mode 100644
index 00000000..c02c3625
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hu.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ro.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ro.png
new file mode 100644
index 00000000..6454c27f
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ro.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sk.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sk.png
new file mode 100644
index 00000000..afe31ee5
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sk.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sw.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sw.png
new file mode 100644
index 00000000..52e5d898
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sw.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.bg.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.bg.png
new file mode 100644
index 00000000..52c80c4b
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.bg.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.cs.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.cs.png
new file mode 100644
index 00000000..7d4c63dc
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.cs.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hu.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hu.png
new file mode 100644
index 00000000..38c4e33f
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hu.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ro.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ro.png
new file mode 100644
index 00000000..ec9a350f
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ro.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sk.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sk.png
new file mode 100644
index 00000000..98eaa28d
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sk.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sw.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sw.png
new file mode 100644
index 00000000..8a93c8be
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sw.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.bg.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.bg.png
new file mode 100644
index 00000000..0b0e7814
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.bg.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.cs.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.cs.png
new file mode 100644
index 00000000..fd401fa4
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.cs.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hu.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hu.png
new file mode 100644
index 00000000..c9d30359
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hu.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ro.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ro.png
new file mode 100644
index 00000000..771212ea
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ro.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sk.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sk.png
new file mode 100644
index 00000000..30166c20
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sk.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sw.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sw.png
new file mode 100644
index 00000000..a0d7cb80
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sw.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.bg.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.bg.png
new file mode 100644
index 00000000..c921a35a
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.bg.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.cs.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.cs.png
new file mode 100644
index 00000000..443f2d9d
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.cs.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hu.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hu.png
new file mode 100644
index 00000000..dbd262be
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hu.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ro.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ro.png
new file mode 100644
index 00000000..caf349a0
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ro.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sk.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sk.png
new file mode 100644
index 00000000..fb33341a
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sk.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sw.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sw.png
new file mode 100644
index 00000000..2d66e5e5
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sw.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.bg.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.bg.png
new file mode 100644
index 00000000..532e30a5
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.bg.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.cs.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.cs.png
new file mode 100644
index 00000000..efaeff24
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.cs.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hu.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hu.png
new file mode 100644
index 00000000..3382c088
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hu.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ro.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ro.png
new file mode 100644
index 00000000..e2c0347b
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ro.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sk.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sk.png
new file mode 100644
index 00000000..3382c088
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sk.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sw.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sw.png
new file mode 100644
index 00000000..02f72f4a
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sw.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.bg.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.bg.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.bg.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.cs.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.cs.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.cs.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hu.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hu.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hu.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ro.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ro.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ro.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sk.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sk.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sk.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sw.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sw.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sw.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.bg.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.bg.png
new file mode 100644
index 00000000..d8b5f5cb
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.bg.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.cs.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.cs.png
new file mode 100644
index 00000000..1745e5ca
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.cs.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hu.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hu.png
new file mode 100644
index 00000000..f9d65f2c
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hu.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ro.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ro.png
new file mode 100644
index 00000000..6c6f9f31
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ro.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sk.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sk.png
new file mode 100644
index 00000000..f9d65f2c
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sk.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sw.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sw.png
new file mode 100644
index 00000000..52315578
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sw.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.bg.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.bg.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.bg.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.cs.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.cs.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.cs.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hu.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hu.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hu.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ro.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ro.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ro.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sk.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sk.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sk.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sw.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sw.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sw.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.bg.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.bg.png
new file mode 100644
index 00000000..f63d33dc
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.bg.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.cs.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.cs.png
new file mode 100644
index 00000000..a0ca6358
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.cs.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hu.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hu.png
new file mode 100644
index 00000000..712fe751
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hu.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ro.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ro.png
new file mode 100644
index 00000000..ad5e2d8b
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ro.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sk.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sk.png
new file mode 100644
index 00000000..712fe751
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sk.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sw.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sw.png
new file mode 100644
index 00000000..33c8d66b
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sw.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.bg.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.bg.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.bg.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.cs.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.cs.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.cs.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hu.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hu.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hu.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ro.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ro.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ro.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sk.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sk.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sk.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sw.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sw.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sw.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.bg.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.bg.png
new file mode 100644
index 00000000..6e0dff55
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.bg.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.cs.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.cs.png
new file mode 100644
index 00000000..7cab9290
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.cs.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hu.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hu.png
new file mode 100644
index 00000000..0f39d707
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hu.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ro.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ro.png
new file mode 100644
index 00000000..ab4dae8e
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ro.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sk.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sk.png
new file mode 100644
index 00000000..2c890cf3
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sk.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sw.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sw.png
new file mode 100644
index 00000000..032d19c5
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sw.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.bg.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.bg.png
new file mode 100644
index 00000000..63dac93b
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.bg.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.cs.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.cs.png
new file mode 100644
index 00000000..6505fa4b
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.cs.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hu.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hu.png
new file mode 100644
index 00000000..7827f645
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hu.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ro.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ro.png
new file mode 100644
index 00000000..d820f812
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ro.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sk.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sk.png
new file mode 100644
index 00000000..e1e011c8
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sk.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sw.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sw.png
new file mode 100644
index 00000000..aa0528ab
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sw.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.bg.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.bg.png
new file mode 100644
index 00000000..4a5d651b
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.bg.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.cs.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.cs.png
new file mode 100644
index 00000000..bc5da8d6
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.cs.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hu.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hu.png
new file mode 100644
index 00000000..7daec2c2
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hu.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ro.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ro.png
new file mode 100644
index 00000000..1437b46b
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ro.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sk.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sk.png
new file mode 100644
index 00000000..83bb0527
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sk.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sw.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sw.png
new file mode 100644
index 00000000..8db1aac7
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sw.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.bg.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.bg.png
new file mode 100644
index 00000000..15cc461d
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.bg.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.cs.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.cs.png
new file mode 100644
index 00000000..c01a129c
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.cs.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hu.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hu.png
new file mode 100644
index 00000000..6b5670ab
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hu.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ro.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ro.png
new file mode 100644
index 00000000..66c802b6
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ro.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sk.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sk.png
new file mode 100644
index 00000000..9a93410c
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sk.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sw.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sw.png
new file mode 100644
index 00000000..603d8cf0
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sw.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.bg.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.bg.png
new file mode 100644
index 00000000..5fbc837d
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.bg.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.cs.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.cs.png
new file mode 100644
index 00000000..fa047920
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.cs.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hu.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hu.png
new file mode 100644
index 00000000..6858131e
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hu.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ro.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ro.png
new file mode 100644
index 00000000..c0b2ae4d
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ro.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sk.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sk.png
new file mode 100644
index 00000000..b536ffe4
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sk.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sw.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sw.png
new file mode 100644
index 00000000..01eeadf6
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sw.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.bg.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.bg.png
new file mode 100644
index 00000000..145028d4
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.bg.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.cs.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.cs.png
new file mode 100644
index 00000000..eec8d37c
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.cs.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hu.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hu.png
new file mode 100644
index 00000000..e109b4c9
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hu.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ro.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ro.png
new file mode 100644
index 00000000..e109b4c9
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ro.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sk.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sk.png
new file mode 100644
index 00000000..e109b4c9
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sk.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sw.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sw.png
new file mode 100644
index 00000000..145028d4
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sw.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.bg.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.bg.png
new file mode 100644
index 00000000..93e2311a
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.bg.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.cs.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.cs.png
new file mode 100644
index 00000000..805ef0b3
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.cs.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hu.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hu.png
new file mode 100644
index 00000000..297ec7c2
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hu.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ro.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ro.png
new file mode 100644
index 00000000..ce56caa7
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ro.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sk.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sk.png
new file mode 100644
index 00000000..2f75a5ed
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sk.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sw.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sw.png
new file mode 100644
index 00000000..b04ade7f
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sw.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.bg.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.bg.png
new file mode 100644
index 00000000..759e0e2d
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.bg.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.cs.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.cs.png
new file mode 100644
index 00000000..ff4aeddf
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.cs.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hu.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hu.png
new file mode 100644
index 00000000..4ae80407
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hu.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ro.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ro.png
new file mode 100644
index 00000000..7b739017
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ro.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sk.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sk.png
new file mode 100644
index 00000000..748130bf
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sk.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sw.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sw.png
new file mode 100644
index 00000000..0ba069d5
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sw.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.bg.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.bg.png
new file mode 100644
index 00000000..238ac9f4
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.bg.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.cs.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.cs.png
new file mode 100644
index 00000000..ca5ede84
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.cs.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hu.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hu.png
new file mode 100644
index 00000000..a1190c0c
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hu.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ro.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ro.png
new file mode 100644
index 00000000..cce240ad
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ro.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sk.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sk.png
new file mode 100644
index 00000000..82f94859
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sk.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sw.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sw.png
new file mode 100644
index 00000000..146ee97d
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sw.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.bg.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.bg.png
new file mode 100644
index 00000000..39a9bf3b
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.bg.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.cs.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.cs.png
new file mode 100644
index 00000000..372dba7d
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.cs.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hu.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hu.png
new file mode 100644
index 00000000..8b99eafb
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hu.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ro.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ro.png
new file mode 100644
index 00000000..b70ff89b
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ro.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sk.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sk.png
new file mode 100644
index 00000000..decb34f1
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sk.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sw.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sw.png
new file mode 100644
index 00000000..289fb764
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sw.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.bg.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.bg.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.bg.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.cs.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.cs.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.cs.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hu.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hu.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hu.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ro.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ro.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ro.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sk.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sk.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sk.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sw.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sw.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sw.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.bg.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.bg.png
new file mode 100644
index 00000000..a7f090bc
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.bg.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.cs.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.cs.png
new file mode 100644
index 00000000..18f5c527
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.cs.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hu.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hu.png
new file mode 100644
index 00000000..4b70462a
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hu.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ro.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ro.png
new file mode 100644
index 00000000..a602ce70
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ro.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sk.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sk.png
new file mode 100644
index 00000000..c0941525
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sk.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sw.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sw.png
new file mode 100644
index 00000000..6905db4f
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sw.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.bg.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.bg.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.bg.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.cs.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.cs.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.cs.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hu.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hu.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hu.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ro.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ro.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ro.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sk.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sk.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sk.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sw.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sw.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sw.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.bg.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.bg.png
new file mode 100644
index 00000000..c70f7134
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.bg.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.cs.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.cs.png
new file mode 100644
index 00000000..05b663f1
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.cs.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hu.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hu.png
new file mode 100644
index 00000000..98f614e6
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hu.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ro.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ro.png
new file mode 100644
index 00000000..b416564f
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ro.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sk.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sk.png
new file mode 100644
index 00000000..18277c5b
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sk.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sw.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sw.png
new file mode 100644
index 00000000..e9c68ae0
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sw.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.bg.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.bg.png
new file mode 100644
index 00000000..bb8aee53
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.bg.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.cs.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.cs.png
new file mode 100644
index 00000000..6557049c
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.cs.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hu.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hu.png
new file mode 100644
index 00000000..f06114bc
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hu.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ro.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ro.png
new file mode 100644
index 00000000..1f8ff84e
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ro.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sk.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sk.png
new file mode 100644
index 00000000..ee08f5a8
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sk.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sw.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sw.png
new file mode 100644
index 00000000..68425a97
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sw.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.bg.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.bg.png
new file mode 100644
index 00000000..6f9ca3aa
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.bg.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.cs.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.cs.png
new file mode 100644
index 00000000..bef9c3b7
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.cs.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hu.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hu.png
new file mode 100644
index 00000000..ec2bd575
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hu.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ro.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ro.png
new file mode 100644
index 00000000..974706bf
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ro.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sk.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sk.png
new file mode 100644
index 00000000..92095e18
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sk.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sw.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sw.png
new file mode 100644
index 00000000..e10a015a
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sw.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.bg.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.bg.png
new file mode 100644
index 00000000..5aabed0e
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.bg.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.cs.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.cs.png
new file mode 100644
index 00000000..153abaa4
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.cs.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hu.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hu.png
new file mode 100644
index 00000000..bf6304b5
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hu.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ro.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ro.png
new file mode 100644
index 00000000..6a6857b3
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ro.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sk.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sk.png
new file mode 100644
index 00000000..9bef80c9
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sk.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sw.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sw.png
new file mode 100644
index 00000000..e4df556b
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sw.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.bg.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.bg.png
new file mode 100644
index 00000000..082bbdbc
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.bg.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.cs.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.cs.png
new file mode 100644
index 00000000..fe05dd6c
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.cs.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hu.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hu.png
new file mode 100644
index 00000000..57a8a617
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hu.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ro.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ro.png
new file mode 100644
index 00000000..7aa03845
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ro.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sk.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sk.png
new file mode 100644
index 00000000..b70a3e6a
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sk.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sw.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sw.png
new file mode 100644
index 00000000..e38356ea
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sw.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.bg.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.bg.png
new file mode 100644
index 00000000..af0ea4da
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.bg.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.cs.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.cs.png
new file mode 100644
index 00000000..fb326f3f
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.cs.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hu.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hu.png
new file mode 100644
index 00000000..26760bf9
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hu.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ro.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ro.png
new file mode 100644
index 00000000..b4438be1
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ro.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sk.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sk.png
new file mode 100644
index 00000000..e13d602a
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sk.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sw.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sw.png
new file mode 100644
index 00000000..ca1b75c3
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sw.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.bg.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.bg.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.bg.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.cs.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.cs.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.cs.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hu.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hu.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hu.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ro.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ro.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ro.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sk.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sk.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sk.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sw.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sw.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sw.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.bg.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.bg.png
new file mode 100644
index 00000000..624d099d
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.bg.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.cs.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.cs.png
new file mode 100644
index 00000000..13e65dc1
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.cs.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hu.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hu.png
new file mode 100644
index 00000000..8c96b8c2
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hu.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ro.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ro.png
new file mode 100644
index 00000000..8cb5eaf1
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ro.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sk.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sk.png
new file mode 100644
index 00000000..a405a4b0
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sk.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sw.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sw.png
new file mode 100644
index 00000000..d391d583
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sw.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.bg.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.bg.png
new file mode 100644
index 00000000..1ad0298a
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.bg.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.cs.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.cs.png
new file mode 100644
index 00000000..1436dcf6
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.cs.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hu.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hu.png
new file mode 100644
index 00000000..78df456a
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hu.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ro.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ro.png
new file mode 100644
index 00000000..be327a68
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ro.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sk.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sk.png
new file mode 100644
index 00000000..c27193c1
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sk.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sw.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sw.png
new file mode 100644
index 00000000..15f16d7a
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sw.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.bg.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.bg.png
new file mode 100644
index 00000000..f251ef3b
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.bg.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.cs.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.cs.png
new file mode 100644
index 00000000..64a72ca8
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.cs.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hu.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hu.png
new file mode 100644
index 00000000..2c96eb5a
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hu.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ro.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ro.png
new file mode 100644
index 00000000..10e6dbef
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ro.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sk.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sk.png
new file mode 100644
index 00000000..72689831
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sk.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sw.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sw.png
new file mode 100644
index 00000000..441da85a
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sw.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.bg.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.bg.png
new file mode 100644
index 00000000..9ef0669a
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.bg.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.cs.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.cs.png
new file mode 100644
index 00000000..dd040498
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.cs.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hu.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hu.png
new file mode 100644
index 00000000..bf5f0494
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hu.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ro.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ro.png
new file mode 100644
index 00000000..6c7e76aa
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ro.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sk.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sk.png
new file mode 100644
index 00000000..907cc29e
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sk.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sw.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sw.png
new file mode 100644
index 00000000..8e6bba4d
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sw.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.bg.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.bg.png
new file mode 100644
index 00000000..705cd032
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.bg.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.cs.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.cs.png
new file mode 100644
index 00000000..1fca58cb
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.cs.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hu.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hu.png
new file mode 100644
index 00000000..75f39ba4
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hu.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ro.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ro.png
new file mode 100644
index 00000000..adf8a6bf
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ro.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sk.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sk.png
new file mode 100644
index 00000000..e6a0551c
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sk.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sw.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sw.png
new file mode 100644
index 00000000..9745b26d
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sw.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.bg.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.bg.png
new file mode 100644
index 00000000..bb2c6b93
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.bg.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.cs.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.cs.png
new file mode 100644
index 00000000..400a5cf9
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.cs.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hu.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hu.png
new file mode 100644
index 00000000..da755bf1
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hu.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ro.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ro.png
new file mode 100644
index 00000000..967b608e
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ro.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sk.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sk.png
new file mode 100644
index 00000000..188825b8
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sk.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sw.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sw.png
new file mode 100644
index 00000000..436f09c3
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sw.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.bg.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.bg.png
new file mode 100644
index 00000000..7160da8e
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.bg.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.cs.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.cs.png
new file mode 100644
index 00000000..96157c16
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.cs.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hu.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hu.png
new file mode 100644
index 00000000..50725c84
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hu.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ro.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ro.png
new file mode 100644
index 00000000..3094f850
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ro.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sk.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sk.png
new file mode 100644
index 00000000..901a607e
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sk.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sw.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sw.png
new file mode 100644
index 00000000..21e2d123
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sw.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.bg.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.bg.png
new file mode 100644
index 00000000..c5813320
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.bg.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.cs.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.cs.png
new file mode 100644
index 00000000..96157c16
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.cs.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hu.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hu.png
new file mode 100644
index 00000000..50725c84
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hu.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ro.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ro.png
new file mode 100644
index 00000000..3094f850
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ro.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sk.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sk.png
new file mode 100644
index 00000000..b3a8d540
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sk.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sw.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sw.png
new file mode 100644
index 00000000..21e2d123
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sw.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.bg.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.bg.png
new file mode 100644
index 00000000..1064b26c
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.bg.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.cs.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.cs.png
new file mode 100644
index 00000000..33754b4b
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.cs.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hu.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hu.png
new file mode 100644
index 00000000..3b83ddd4
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hu.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ro.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ro.png
new file mode 100644
index 00000000..f4450525
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ro.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sk.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sk.png
new file mode 100644
index 00000000..33754b4b
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sk.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sw.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sw.png
new file mode 100644
index 00000000..47620712
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sw.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.bg.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.bg.png
new file mode 100644
index 00000000..04a20d0c
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.bg.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.cs.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.cs.png
new file mode 100644
index 00000000..6192ac2a
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.cs.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hu.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hu.png
new file mode 100644
index 00000000..a3e37662
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hu.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ro.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ro.png
new file mode 100644
index 00000000..e3eb078a
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ro.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sk.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sk.png
new file mode 100644
index 00000000..728edf51
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sk.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sw.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sw.png
new file mode 100644
index 00000000..27ef4ac3
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sw.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.bg.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.bg.png
new file mode 100644
index 00000000..aaebe51d
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.bg.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.cs.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.cs.png
new file mode 100644
index 00000000..c7e2bffb
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.cs.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hu.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hu.png
new file mode 100644
index 00000000..9be5efb2
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hu.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ro.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ro.png
new file mode 100644
index 00000000..aefe1033
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ro.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sk.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sk.png
new file mode 100644
index 00000000..278eace2
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sk.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sw.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sw.png
new file mode 100644
index 00000000..a784283b
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sw.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.bg.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.bg.png
new file mode 100644
index 00000000..7b22447e
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.bg.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.cs.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.cs.png
new file mode 100644
index 00000000..d622f52b
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.cs.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hu.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hu.png
new file mode 100644
index 00000000..a8bff563
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hu.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ro.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ro.png
new file mode 100644
index 00000000..543ba5ca
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ro.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sk.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sk.png
new file mode 100644
index 00000000..d622f52b
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sk.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sw.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sw.png
new file mode 100644
index 00000000..888b6f07
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sw.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.bg.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.bg.png
new file mode 100644
index 00000000..e9ea0464
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.bg.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.cs.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.cs.png
new file mode 100644
index 00000000..b30b5aa9
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.cs.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hu.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hu.png
new file mode 100644
index 00000000..ad25bfde
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hu.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ro.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ro.png
new file mode 100644
index 00000000..89980f0b
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ro.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sk.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sk.png
new file mode 100644
index 00000000..b82f376f
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sk.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sw.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sw.png
new file mode 100644
index 00000000..ffa0d247
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sw.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.bg.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.bg.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.bg.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.cs.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.cs.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.cs.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hu.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hu.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hu.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ro.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ro.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ro.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sk.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sk.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sk.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sw.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sw.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sw.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.bg.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.bg.png
new file mode 100644
index 00000000..001f8df2
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.bg.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.cs.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.cs.png
new file mode 100644
index 00000000..ad657e85
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.cs.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hu.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hu.png
new file mode 100644
index 00000000..070a60f8
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hu.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ro.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ro.png
new file mode 100644
index 00000000..fc313eed
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ro.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sk.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sk.png
new file mode 100644
index 00000000..9595f76a
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sk.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sw.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sw.png
new file mode 100644
index 00000000..229b0bda
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sw.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.bg.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.bg.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.bg.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.cs.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.cs.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.cs.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hu.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hu.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hu.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ro.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ro.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ro.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sk.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sk.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sk.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sw.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sw.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sw.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.bg.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.bg.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.bg.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.cs.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.cs.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.cs.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hu.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hu.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hu.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ro.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ro.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ro.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sk.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sk.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sk.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sw.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sw.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sw.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.bg.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.bg.png
new file mode 100644
index 00000000..b50efaeb
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.bg.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.cs.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.cs.png
new file mode 100644
index 00000000..39f53c2a
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.cs.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hu.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hu.png
new file mode 100644
index 00000000..fdda81c5
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hu.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ro.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ro.png
new file mode 100644
index 00000000..d80caeab
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ro.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sk.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sk.png
new file mode 100644
index 00000000..03f04d76
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sk.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sw.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sw.png
new file mode 100644
index 00000000..4b3ce7a0
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sw.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.bg.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.bg.png
new file mode 100644
index 00000000..d2408547
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.bg.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.cs.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.cs.png
new file mode 100644
index 00000000..5be4fc6b
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.cs.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hu.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hu.png
new file mode 100644
index 00000000..9a1980b3
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hu.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ro.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ro.png
new file mode 100644
index 00000000..085cff9a
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ro.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sk.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sk.png
new file mode 100644
index 00000000..9ff961a7
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sk.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sw.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sw.png
new file mode 100644
index 00000000..3bfdd507
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sw.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.bg.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.bg.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.bg.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.cs.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.cs.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.cs.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hu.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hu.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hu.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ro.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ro.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ro.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sk.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sk.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sk.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sw.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sw.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sw.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.bg.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.bg.png
new file mode 100644
index 00000000..31a3ee9e
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.bg.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.cs.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.cs.png
new file mode 100644
index 00000000..fcd39d5f
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.cs.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hu.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hu.png
new file mode 100644
index 00000000..f23cfade
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hu.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ro.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ro.png
new file mode 100644
index 00000000..d90788d1
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ro.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sk.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sk.png
new file mode 100644
index 00000000..c1e55a3b
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sk.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sw.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sw.png
new file mode 100644
index 00000000..35bb6c2c
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sw.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.bg.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.bg.png
new file mode 100644
index 00000000..2e61c534
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.bg.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.cs.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.cs.png
new file mode 100644
index 00000000..dcdc7d10
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.cs.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hu.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hu.png
new file mode 100644
index 00000000..810fd9fb
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hu.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ro.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ro.png
new file mode 100644
index 00000000..42e29c7e
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ro.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sk.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sk.png
new file mode 100644
index 00000000..d65f1ee6
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sk.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sw.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sw.png
new file mode 100644
index 00000000..2dc6c41f
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sw.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.bg.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.bg.png
new file mode 100644
index 00000000..2cf681e6
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.bg.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.cs.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.cs.png
new file mode 100644
index 00000000..2c2a377a
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.cs.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hu.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hu.png
new file mode 100644
index 00000000..00145d0b
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hu.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ro.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ro.png
new file mode 100644
index 00000000..00145d0b
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ro.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sk.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sk.png
new file mode 100644
index 00000000..00145d0b
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sk.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sw.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sw.png
new file mode 100644
index 00000000..00145d0b
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sw.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.bg.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.bg.png
new file mode 100644
index 00000000..9773cc42
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.bg.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.cs.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.cs.png
new file mode 100644
index 00000000..b1f1fad3
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.cs.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hu.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hu.png
new file mode 100644
index 00000000..6c7627b4
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hu.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ro.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ro.png
new file mode 100644
index 00000000..6acd630e
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ro.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sk.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sk.png
new file mode 100644
index 00000000..b1f1fad3
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sk.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sw.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sw.png
new file mode 100644
index 00000000..610db9d1
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sw.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.bg.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.bg.png
new file mode 100644
index 00000000..d58da25d
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.bg.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.cs.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.cs.png
new file mode 100644
index 00000000..22599b1e
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.cs.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hu.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hu.png
new file mode 100644
index 00000000..a09bf433
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hu.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ro.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ro.png
new file mode 100644
index 00000000..0855106c
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ro.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sk.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sk.png
new file mode 100644
index 00000000..22599b1e
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sk.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sw.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sw.png
new file mode 100644
index 00000000..fa02c483
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sw.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.bg.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.bg.png
new file mode 100644
index 00000000..1159df4e
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.bg.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.cs.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.cs.png
new file mode 100644
index 00000000..dde9571e
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.cs.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hu.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hu.png
new file mode 100644
index 00000000..f79cb487
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hu.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ro.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ro.png
new file mode 100644
index 00000000..9dda6ab1
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ro.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sk.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sk.png
new file mode 100644
index 00000000..dde9571e
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sk.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sw.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sw.png
new file mode 100644
index 00000000..f30b361d
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sw.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.bg.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.bg.png
new file mode 100644
index 00000000..43cadb02
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.bg.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.cs.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.cs.png
new file mode 100644
index 00000000..40580e05
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.cs.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hu.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hu.png
new file mode 100644
index 00000000..c3281088
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hu.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ro.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ro.png
new file mode 100644
index 00000000..0b5a2ff9
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ro.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sk.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sk.png
new file mode 100644
index 00000000..852b1d77
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sk.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sw.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sw.png
new file mode 100644
index 00000000..e13a4da5
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sw.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.bg.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.bg.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.bg.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.cs.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.cs.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.cs.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hu.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hu.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hu.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ro.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ro.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ro.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sk.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sk.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sk.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sw.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sw.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sw.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.bg.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.bg.png
new file mode 100644
index 00000000..4ad6fdca
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.bg.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.cs.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.cs.png
new file mode 100644
index 00000000..128e9234
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.cs.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hu.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hu.png
new file mode 100644
index 00000000..941799a9
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hu.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ro.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ro.png
new file mode 100644
index 00000000..9479bf7d
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ro.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sk.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sk.png
new file mode 100644
index 00000000..e61d0c13
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sk.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sw.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sw.png
new file mode 100644
index 00000000..fdcc2152
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sw.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.bg.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.bg.png
new file mode 100644
index 00000000..4326b224
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.bg.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.cs.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.cs.png
new file mode 100644
index 00000000..ae009063
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.cs.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hu.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hu.png
new file mode 100644
index 00000000..941799a9
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hu.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ro.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ro.png
new file mode 100644
index 00000000..9479bf7d
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ro.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sk.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sk.png
new file mode 100644
index 00000000..9c4f03c1
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sk.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sw.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sw.png
new file mode 100644
index 00000000..b8fb90f6
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sw.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.bg.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.bg.png
new file mode 100644
index 00000000..6b0c34ee
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.bg.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.cs.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.cs.png
new file mode 100644
index 00000000..c2f32e1b
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.cs.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hu.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hu.png
new file mode 100644
index 00000000..53c99272
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hu.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ro.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ro.png
new file mode 100644
index 00000000..49690cbd
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ro.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sk.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sk.png
new file mode 100644
index 00000000..2ec53ebd
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sk.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sw.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sw.png
new file mode 100644
index 00000000..0d185005
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sw.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.bg.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.bg.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.bg.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.cs.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.cs.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.cs.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hu.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hu.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hu.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ro.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ro.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ro.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sk.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sk.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sk.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sw.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sw.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sw.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.bg.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.bg.png
new file mode 100644
index 00000000..a28de631
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.bg.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.cs.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.cs.png
new file mode 100644
index 00000000..da6a578b
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.cs.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hu.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hu.png
new file mode 100644
index 00000000..ab994d21
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hu.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ro.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ro.png
new file mode 100644
index 00000000..1a0a5bcd
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ro.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sk.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sk.png
new file mode 100644
index 00000000..da6a578b
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sk.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sw.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sw.png
new file mode 100644
index 00000000..2b886e6a
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sw.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.bg.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.bg.png
new file mode 100644
index 00000000..31dc23d6
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.bg.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.cs.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.cs.png
new file mode 100644
index 00000000..da9fe9a6
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.cs.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hu.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hu.png
new file mode 100644
index 00000000..4f9e069c
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hu.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ro.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ro.png
new file mode 100644
index 00000000..95e5d778
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ro.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sk.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sk.png
new file mode 100644
index 00000000..da9fe9a6
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sk.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sw.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sw.png
new file mode 100644
index 00000000..b56844bc
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sw.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.bg.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.bg.png
new file mode 100644
index 00000000..d11a239f
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.bg.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.cs.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.cs.png
new file mode 100644
index 00000000..b2cd8e53
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.cs.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hu.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hu.png
new file mode 100644
index 00000000..467d76cb
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hu.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ro.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ro.png
new file mode 100644
index 00000000..763fec94
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ro.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sk.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sk.png
new file mode 100644
index 00000000..19311d2c
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sk.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sw.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sw.png
new file mode 100644
index 00000000..63755115
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sw.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.bg.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.bg.png
new file mode 100644
index 00000000..0d148193
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.bg.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.cs.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.cs.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.cs.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hu.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hu.png
new file mode 100644
index 00000000..58833399
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hu.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ro.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ro.png
new file mode 100644
index 00000000..6c5e4093
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ro.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sk.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sk.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sk.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sw.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sw.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sw.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.bg.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.bg.png
new file mode 100644
index 00000000..9dbe1ce8
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.bg.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.cs.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.cs.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.cs.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hu.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hu.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hu.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ro.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ro.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ro.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sk.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sk.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sk.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sw.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sw.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sw.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.bg.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.bg.png
new file mode 100644
index 00000000..40d58d25
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.bg.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.cs.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.cs.png
new file mode 100644
index 00000000..16c3b228
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.cs.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hu.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hu.png
new file mode 100644
index 00000000..ed221c05
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hu.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ro.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ro.png
new file mode 100644
index 00000000..b5b99db3
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ro.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sk.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sk.png
new file mode 100644
index 00000000..e979ac70
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sk.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sw.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sw.png
new file mode 100644
index 00000000..594f412d
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sw.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.bg.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.bg.png
new file mode 100644
index 00000000..c573b4d6
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.bg.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.cs.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.cs.png
new file mode 100644
index 00000000..5a1227c1
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.cs.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hu.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hu.png
new file mode 100644
index 00000000..fdd017b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hu.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ro.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ro.png
new file mode 100644
index 00000000..b6e4eb9a
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ro.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sk.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sk.png
new file mode 100644
index 00000000..ef6644da
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sk.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sw.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sw.png
new file mode 100644
index 00000000..72cb98a5
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sw.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.bg.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.bg.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.bg.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.cs.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.cs.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.cs.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hu.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hu.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hu.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ro.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ro.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ro.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sk.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sk.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sk.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sw.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sw.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sw.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.bg.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.bg.png
new file mode 100644
index 00000000..e7f8490a
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.bg.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.cs.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.cs.png
new file mode 100644
index 00000000..f6b5e7b3
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.cs.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hu.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hu.png
new file mode 100644
index 00000000..8a0e4f6c
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hu.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ro.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ro.png
new file mode 100644
index 00000000..f0682f55
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ro.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sk.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sk.png
new file mode 100644
index 00000000..b966648b
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sk.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sw.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sw.png
new file mode 100644
index 00000000..a8c74af3
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sw.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.bg.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.bg.png
new file mode 100644
index 00000000..e62f54ae
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.bg.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.cs.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.cs.png
new file mode 100644
index 00000000..6893ab50
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.cs.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hu.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hu.png
new file mode 100644
index 00000000..6b3d55ab
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hu.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ro.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ro.png
new file mode 100644
index 00000000..a231abbd
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ro.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sk.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sk.png
new file mode 100644
index 00000000..e04fbfde
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sk.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sw.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sw.png
new file mode 100644
index 00000000..0e81af9c
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sw.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.bg.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.bg.png
new file mode 100644
index 00000000..3943a3de
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.bg.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.cs.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.cs.png
new file mode 100644
index 00000000..36f79a87
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.cs.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hu.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hu.png
new file mode 100644
index 00000000..4e6c1c77
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hu.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ro.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ro.png
new file mode 100644
index 00000000..1ee56c61
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ro.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sk.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sk.png
new file mode 100644
index 00000000..f2c67976
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sk.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sw.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sw.png
new file mode 100644
index 00000000..1f1a7c6b
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sw.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.bg.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.bg.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.bg.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.cs.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.cs.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.cs.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hu.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hu.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hu.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ro.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ro.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ro.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sk.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sk.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sk.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sw.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sw.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sw.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.bg.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.bg.png
new file mode 100644
index 00000000..374808ac
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.bg.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.cs.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.cs.png
new file mode 100644
index 00000000..3acad28c
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.cs.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hu.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hu.png
new file mode 100644
index 00000000..083d74c3
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hu.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ro.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ro.png
new file mode 100644
index 00000000..e5074c6e
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ro.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sk.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sk.png
new file mode 100644
index 00000000..78b44cb7
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sk.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sw.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sw.png
new file mode 100644
index 00000000..0af662f7
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sw.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.bg.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.bg.png
new file mode 100644
index 00000000..96102288
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.bg.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.cs.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.cs.png
new file mode 100644
index 00000000..816cbb77
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.cs.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hu.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hu.png
new file mode 100644
index 00000000..816cbb77
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hu.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ro.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ro.png
new file mode 100644
index 00000000..88bccb95
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ro.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sk.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sk.png
new file mode 100644
index 00000000..816cbb77
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sk.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sw.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sw.png
new file mode 100644
index 00000000..c6f73a4d
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sw.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.bg.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.bg.png
new file mode 100644
index 00000000..b161fc64
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.bg.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.cs.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.cs.png
new file mode 100644
index 00000000..7785932b
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.cs.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hu.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hu.png
new file mode 100644
index 00000000..17de06d5
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hu.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ro.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ro.png
new file mode 100644
index 00000000..feeab231
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ro.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sk.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sk.png
new file mode 100644
index 00000000..7785932b
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sk.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sw.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sw.png
new file mode 100644
index 00000000..3da35a6b
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sw.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.bg.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.bg.png
new file mode 100644
index 00000000..6ebb374b
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.bg.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.cs.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.cs.png
new file mode 100644
index 00000000..b521e4f5
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.cs.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hu.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hu.png
new file mode 100644
index 00000000..433d3dbc
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hu.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ro.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ro.png
new file mode 100644
index 00000000..4dba6aa7
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ro.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sk.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sk.png
new file mode 100644
index 00000000..58a6ec48
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sk.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sw.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sw.png
new file mode 100644
index 00000000..5bb1d230
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sw.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.bg.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.bg.png
new file mode 100644
index 00000000..a1212eeb
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.bg.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.cs.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.cs.png
new file mode 100644
index 00000000..646d0b94
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.cs.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hu.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hu.png
new file mode 100644
index 00000000..25ae9afe
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hu.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ro.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ro.png
new file mode 100644
index 00000000..eff70e5d
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ro.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sk.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sk.png
new file mode 100644
index 00000000..1b563be4
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sk.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sw.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sw.png
new file mode 100644
index 00000000..690ec6a6
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sw.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.bg.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.bg.png
new file mode 100644
index 00000000..67b06cd0
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.bg.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.cs.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.cs.png
new file mode 100644
index 00000000..646d0b94
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.cs.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hu.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hu.png
new file mode 100644
index 00000000..b8faefe3
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hu.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ro.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ro.png
new file mode 100644
index 00000000..eff70e5d
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ro.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sk.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sk.png
new file mode 100644
index 00000000..1b563be4
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sk.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sw.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sw.png
new file mode 100644
index 00000000..690ec6a6
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sw.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.bg.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.bg.png
new file mode 100644
index 00000000..2971484f
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.bg.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.cs.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.cs.png
new file mode 100644
index 00000000..c02dc29e
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.cs.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hu.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hu.png
new file mode 100644
index 00000000..2a6c0718
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hu.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ro.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ro.png
new file mode 100644
index 00000000..4f5256ee
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ro.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sk.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sk.png
new file mode 100644
index 00000000..d879f7f0
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sk.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sw.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sw.png
new file mode 100644
index 00000000..11a87c0d
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sw.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.bg.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.bg.png
new file mode 100644
index 00000000..fccdeee6
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.bg.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.cs.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.cs.png
new file mode 100644
index 00000000..743333b4
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.cs.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hu.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hu.png
new file mode 100644
index 00000000..cc5c62ea
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hu.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ro.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ro.png
new file mode 100644
index 00000000..0ff8f404
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ro.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sk.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sk.png
new file mode 100644
index 00000000..6ae4bed7
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sk.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sw.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sw.png
new file mode 100644
index 00000000..b06db7f2
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sw.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.bg.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.bg.png
new file mode 100644
index 00000000..be2f8cfb
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.bg.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.cs.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.cs.png
new file mode 100644
index 00000000..ce0bf3b2
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.cs.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hu.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hu.png
new file mode 100644
index 00000000..020e1af4
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hu.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ro.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ro.png
new file mode 100644
index 00000000..60dc0943
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ro.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sk.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sk.png
new file mode 100644
index 00000000..775b0c65
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sk.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sw.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sw.png
new file mode 100644
index 00000000..dc5536fd
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sw.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.bg.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.bg.png
new file mode 100644
index 00000000..6d7b485a
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.bg.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.cs.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.cs.png
new file mode 100644
index 00000000..094e9a57
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.cs.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hu.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hu.png
new file mode 100644
index 00000000..b0cff760
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hu.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ro.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ro.png
new file mode 100644
index 00000000..3511822f
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ro.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sk.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sk.png
new file mode 100644
index 00000000..36dbc117
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sk.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sw.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sw.png
new file mode 100644
index 00000000..5151fc0c
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sw.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.bg.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.bg.png
new file mode 100644
index 00000000..ad337c42
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.bg.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.cs.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.cs.png
new file mode 100644
index 00000000..f65b0d09
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.cs.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hu.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hu.png
new file mode 100644
index 00000000..9cee9898
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hu.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ro.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ro.png
new file mode 100644
index 00000000..9d75e7ba
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ro.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sk.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sk.png
new file mode 100644
index 00000000..3313f5c4
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sk.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sw.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sw.png
new file mode 100644
index 00000000..fa81d6c6
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sw.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.bg.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.bg.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.bg.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.cs.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.cs.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.cs.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hu.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hu.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hu.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ro.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ro.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ro.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sk.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sk.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sk.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sw.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sw.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sw.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.bg.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.bg.png
new file mode 100644
index 00000000..1fc41aff
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.bg.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.cs.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.cs.png
new file mode 100644
index 00000000..b78a5354
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.cs.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hu.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hu.png
new file mode 100644
index 00000000..9adb4f41
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hu.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ro.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ro.png
new file mode 100644
index 00000000..240f7541
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ro.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sk.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sk.png
new file mode 100644
index 00000000..d208cbfc
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sk.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sw.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sw.png
new file mode 100644
index 00000000..784c483c
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sw.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.bg.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.bg.png
new file mode 100644
index 00000000..3afe417e
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.bg.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.cs.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.cs.png
new file mode 100644
index 00000000..08b417cc
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.cs.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hu.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hu.png
new file mode 100644
index 00000000..f4e0482b
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hu.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ro.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ro.png
new file mode 100644
index 00000000..68ff81bd
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ro.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sk.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sk.png
new file mode 100644
index 00000000..76a4c39b
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sk.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sw.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sw.png
new file mode 100644
index 00000000..d262d021
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sw.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.bg.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.bg.png
new file mode 100644
index 00000000..19a0d68e
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.bg.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.cs.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.cs.png
new file mode 100644
index 00000000..e98d1e5c
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.cs.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hu.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hu.png
new file mode 100644
index 00000000..084ab261
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hu.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ro.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ro.png
new file mode 100644
index 00000000..275a33c3
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ro.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sk.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sk.png
new file mode 100644
index 00000000..d5cac53c
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sk.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sw.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sw.png
new file mode 100644
index 00000000..c0f8b8c4
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sw.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.bg.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.bg.png
new file mode 100644
index 00000000..0dbb425f
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.bg.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.cs.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.cs.png
new file mode 100644
index 00000000..df21bc2a
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.cs.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hu.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hu.png
new file mode 100644
index 00000000..988ab9c0
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hu.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ro.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ro.png
new file mode 100644
index 00000000..d0b5a80b
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ro.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sk.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sk.png
new file mode 100644
index 00000000..fc5be5fd
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sk.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sw.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sw.png
new file mode 100644
index 00000000..5aabc8ee
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sw.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.bg.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.bg.png
new file mode 100644
index 00000000..21df3b06
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.bg.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.cs.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.cs.png
new file mode 100644
index 00000000..76dd854c
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.cs.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hu.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hu.png
new file mode 100644
index 00000000..28fe1369
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hu.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ro.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ro.png
new file mode 100644
index 00000000..3485ab01
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ro.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sk.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sk.png
new file mode 100644
index 00000000..f941fb9a
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sk.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sw.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sw.png
new file mode 100644
index 00000000..77679320
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sw.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.bg.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.bg.png
new file mode 100644
index 00000000..cc0b8ee8
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.bg.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.cs.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.cs.png
new file mode 100644
index 00000000..c9ffab61
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.cs.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hu.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hu.png
new file mode 100644
index 00000000..d23fe89d
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hu.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ro.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ro.png
new file mode 100644
index 00000000..66f91f2a
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ro.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sk.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sk.png
new file mode 100644
index 00000000..1f7b036f
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sk.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sw.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sw.png
new file mode 100644
index 00000000..90ddaa3f
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sw.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.bg.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.bg.png
new file mode 100644
index 00000000..0fda177a
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.bg.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.cs.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.cs.png
new file mode 100644
index 00000000..24474ab6
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.cs.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hu.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hu.png
new file mode 100644
index 00000000..d723ab7b
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hu.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ro.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ro.png
new file mode 100644
index 00000000..9e5aeb24
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ro.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sk.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sk.png
new file mode 100644
index 00000000..bb377449
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sk.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sw.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sw.png
new file mode 100644
index 00000000..b45b0c3d
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sw.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.bg.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.bg.png
new file mode 100644
index 00000000..bcce3d57
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.bg.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.cs.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.cs.png
new file mode 100644
index 00000000..38d88de4
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.cs.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hu.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hu.png
new file mode 100644
index 00000000..4076c54e
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hu.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ro.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ro.png
new file mode 100644
index 00000000..73af5c2a
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ro.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sk.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sk.png
new file mode 100644
index 00000000..f977065b
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sk.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sw.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sw.png
new file mode 100644
index 00000000..5c5046e3
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sw.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.bg.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.bg.png
new file mode 100644
index 00000000..8408299c
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.bg.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.cs.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.cs.png
new file mode 100644
index 00000000..813f5c2f
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.cs.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hu.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hu.png
new file mode 100644
index 00000000..8d3defe8
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hu.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ro.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ro.png
new file mode 100644
index 00000000..efe0de94
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ro.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sk.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sk.png
new file mode 100644
index 00000000..31774d6f
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sk.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sw.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sw.png
new file mode 100644
index 00000000..751ea96d
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sw.png differ
diff --git a/translations/bg/1-Introduction/01-defining-data-science/README.md b/translations/bg/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..fed26be6
--- /dev/null
+++ b/translations/bg/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,124 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:23:39+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "bg"
+}
+-->
+# Определение на науката за данни
+
+| ![ Скица от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/01-Definitions.png) |
+| :------------------------------------------------------------------------------------------------: |
+|              Определение на науката за данни - _Скица от [@nitya](https://twitter.com/nitya)_       |
+
+---
+
+[![Видео за определение на науката за данни](../../../../translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.bg.png)](https://youtu.be/beZ7Mb_oz9I)
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/0)
+
+## Какво е данни?
+В ежедневието си сме постоянно заобиколени от данни. Текстът, който четете в момента, е данни. Списъкът с телефонни номера на вашите приятели в смартфона ви също е данни, както и текущото време, показано на часовника ви. Като хора, ние естествено работим с данни, като броим парите си или пишем писма на приятелите си.
+
+С появата на компютрите обаче данните станаха много по-важни. Основната роля на компютрите е да извършват изчисления, но те се нуждаят от данни, за да работят. Затова е необходимо да разберем как компютрите съхраняват и обработват данни.
+
+С появата на интернет ролята на компютрите като устройства за обработка на данни се увеличи. Ако се замислите, сега използваме компютрите все повече за обработка и комуникация на данни, отколкото за реални изчисления. Когато пишем имейл на приятел или търсим информация в интернет, ние всъщност създаваме, съхраняваме, предаваме и манипулираме данни.
+> Можете ли да си спомните последния път, когато сте използвали компютър за реално изчисление?
+
+## Какво е наука за данни?
+
+Според [Уикипедия](https://en.wikipedia.org/wiki/Data_science), **науката за данни** се определя като *научна област, която използва научни методи за извличане на знания и прозрения от структурирани и неструктурирани данни и прилага тези знания и практически прозрения в широк спектър от приложения*.
+
+Това определение подчертава следните важни аспекти на науката за данни:
+
+* Основната цел на науката за данни е да **извлича знания** от данни, с други думи - да **разбира** данните, да намира скрити връзки и да изгражда **модели**.
+* Науката за данни използва **научни методи**, като вероятност и статистика. Всъщност, когато терминът *наука за данни* за първи път беше въведен, някои хора твърдяха, че това е просто ново модерно име за статистика. Днес е ясно, че областта е много по-широка.
+* Получените знания трябва да се прилагат за създаване на **практически прозрения**, т.е. практически насоки, които могат да се приложат в реални бизнес ситуации.
+* Трябва да можем да работим както със **структурирани**, така и с **неструктурирани** данни. Ще се върнем към обсъждането на различните видове данни по-късно в курса.
+* **Областта на приложение** е важен аспект, и учените по данни често се нуждаят от известна степен на експертиза в конкретната проблемна област, например: финанси, медицина, маркетинг и др.
+
+> Друг важен аспект на науката за данни е, че тя изучава как данните могат да бъдат събирани, съхранявани и обработвани с помощта на компютри. Докато статистиката ни предоставя математическите основи, науката за данни прилага математическите концепции, за да извлече прозрения от данните.
+
+Един от начините (приписван на [Джим Грей](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist))) да разглеждаме науката за данни е като отделна парадигма на науката:
+* **Емпирична**, при която разчитаме основно на наблюдения и резултати от експерименти
+* **Теоретична**, където нови концепции възникват от съществуващи научни знания
+* **Изчислителна**, където откриваме нови принципи въз основа на изчислителни експерименти
+* **Данни-водена**, базирана на откриване на връзки и модели в данните  
+
+## Други свързани области
+
+Тъй като данните са навсякъде, науката за данни също е широка област, която докосва много други дисциплини.
+
+## Видове данни
+
+Както вече споменахме, данните са навсякъде. Просто трябва да ги уловим по правилния начин! Полезно е да разграничим **структурирани** и **неструктурирани** данни. Първите обикновено са представени в добре структурирана форма, често като таблица или множество таблици, докато вторите са просто колекция от файлове. Понякога можем да говорим и за **полуструктурирани** данни, които имат някаква структура, но тя може да варира значително.
+
+| Структурирани                                                              | Полуструктурирани                                                                            | Неструктурирани                        |
+| -------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- | -------------------------------------- |
+| Списък на хора с техните телефонни номера                                  | Страници в Уикипедия с връзки                                                               | Текст на Енциклопедия Британика       |
+| Температура във всички стаи на сграда всяка минута за последните 20 години | Колекция от научни статии във формат JSON с автори, дата на публикуване и резюме            | Споделено хранилище с корпоративни документи |
+| Данни за възраст и пол на всички хора, влизащи в сградата                  | Интернет страници                                                                           | Суров видео поток от камера за наблюдение |
+
+## Откъде да се сдобием с данни
+
+Има много възможни източници на данни и е невъзможно да изброим всички! Въпреки това, нека споменем някои от типичните места, откъдето можете да получите данни:
+
+* **Структурирани**
+  - **Интернет на нещата** (IoT), включително данни от различни сензори, като сензори за температура или налягане, предоставя много полезни данни. Например, ако офис сграда е оборудвана със сензори IoT, можем автоматично да контролираме отоплението и осветлението, за да минимизираме разходите.
+  - **Анкети**, които молим потребителите да попълнят след покупка или след посещение на уебсайт.
+  - **Анализ на поведението** може, например, да ни помогне да разберем колко дълбоко потребителят навлиза в сайта и каква е типичната причина за напускане на сайта.
+* **Неструктурирани**
+  - **Текстове** могат да бъдат богат източник на прозрения, като например обща **оценка на настроението** или извличане на ключови думи и семантично значение.
+  - **Изображения** или **видео**. Видео от камера за наблюдение може да се използва за оценка на трафика на пътя и информиране на хората за потенциални задръствания.
+  - **Логове на уеб сървъри** могат да се използват, за да разберем кои страници на нашия сайт се посещават най-често и за колко време.
+* **Полуструктурирани**
+  - **Графи на социални мрежи** могат да бъдат отличен източник на данни за личностите на потребителите и потенциалната ефективност при разпространение на информация.
+  - Когато имаме куп снимки от парти, можем да се опитаме да извлечем данни за **груповата динамика**, като изградим граф на хората, които се снимат заедно.
+
+Като познавате различните възможни източници на данни, можете да се опитате да мислите за различни сценарии, в които техниките на науката за данни могат да се приложат, за да разберете по-добре ситуацията и да подобрите бизнес процесите.
+
+## Какво можете да правите с данни
+
+В науката за данни се фокусираме върху следните стъпки от пътя на данните:
+
+Разбира се, в зависимост от конкретните данни, някои стъпки може да липсват (например, когато вече имаме данните в база данни или когато не се нуждаем от обучение на модел), или някои стъпки може да се повтарят няколко пъти (като обработката на данни).
+
+## Дигитализация и дигитална трансформация
+
+През последното десетилетие много бизнеси започнаха да разбират важността на данните при вземането на бизнес решения. За да приложим принципите на науката за данни към управлението на бизнес, първо трябва да съберем някакви данни, т.е. да преведем бизнес процесите в дигитална форма. Това е известно като **дигитализация**. Прилагането на техники на науката за данни към тези данни, за да се ръководят решенията, може да доведе до значителни увеличения на производителността (или дори до промяна на бизнес модела), наречено **дигитална трансформация**.
+
+Нека разгледаме пример. Да предположим, че имаме курс по наука за данни (като този), който предлагаме онлайн на студенти, и искаме да използваме науката за данни, за да го подобрим. Как можем да го направим?
+
+Можем да започнем, като се запитаме "Какво може да се дигитализира?" Най-простият начин би бил да измерим времето, което всеки студент отделя за завършване на всеки модул, и да измерим придобитите знания, като дадем тест с множество отговори в края на всеки модул. Като изчислим средното време за завършване за всички студенти, можем да разберем кои модули причиняват най-големи затруднения и да работим върху тяхното опростяване.
+Може да се твърди, че този подход не е идеален, защото модулите могат да бъдат с различна дължина. Вероятно е по-справедливо да се раздели времето на дължината на модула (в брой символи) и да се сравнят тези стойности вместо това.
+Когато започнем да анализираме резултатите от тестове с избор между няколко отговора, можем да се опитаме да определим кои концепции затрудняват учениците и да използваме тази информация, за да подобрим съдържанието. За да направим това, трябва да проектираме тестовете така, че всеки въпрос да се свързва с определена концепция или част от знания.
+
+Ако искаме да усложним анализа, можем да начертаем времето, необходимо за завършване на всеки модул, спрямо възрастовата категория на учениците. Може да открием, че за някои възрастови категории е необходимо прекалено много време за завършване на модула или че учениците се отказват преди да го завършат. Това може да ни помогне да предоставим възрастови препоръки за модула и да минимизираме недоволството на хората от неправилни очаквания.
+
+## 🚀 Предизвикателство
+
+В това предизвикателство ще се опитаме да намерим концепции, свързани с областта на науката за данни, като разгледаме текстове. Ще вземем статия от Wikipedia за науката за данни, ще изтеглим и обработим текста, а след това ще създадем облак от думи като този:
+
+![Облак от думи за науката за данни](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.bg.png)
+
+Посетете [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), за да разгледате кода. Можете също така да изпълните кода и да видите как той извършва всички трансформации на данни в реално време.
+
+> Ако не знаете как да изпълнявате код в Jupyter Notebook, разгледайте [тази статия](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Задачи
+
+* **Задача 1**: Модифицирайте горния код, за да откриете свързани концепции за областите **Големи данни** и **Машинно обучение**.
+* **Задача 2**: [Помислете за сценарии в науката за данни](assignment.md)
+
+## Благодарности
+
+Този урок е създаден с ♥️ от [Дмитрий Сошников](http://soshnikov.com)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/01-defining-data-science/assignment.md b/translations/bg/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..dec544a5
--- /dev/null
+++ b/translations/bg/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:25:37+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Задача: Сценарии за анализ на данни
+
+В тази първа задача ви молим да помислите за някакъв реален процес или проблем в различни области и как можете да го подобрите, използвайки процеса на анализ на данни. Помислете за следното:
+
+1. Какви данни можете да съберете?
+1. Как бихте ги събрали?
+1. Как бихте съхранили данните? Колко големи вероятно ще бъдат данните?
+1. Какви прозрения бихте могли да получите от тези данни? Какви решения бихме могли да вземем въз основа на данните?
+
+Опитайте се да помислите за 3 различни проблема/процеса и опишете всяка от точките по-горе за всяка област.
+
+Ето някои области и проблеми, които могат да ви помогнат да започнете да мислите:
+
+1. Как можете да използвате данни, за да подобрите образователния процес за деца в училищата?
+1. Как можете да използвате данни, за да контролирате ваксинацията по време на пандемия?
+1. Как можете да използвате данни, за да сте сигурни, че сте продуктивни на работа?
+
+## Инструкции
+
+Попълнете следната таблица (заменете предложените области с ваши собствени, ако е необходимо):
+
+| Област | Проблем | Какви данни да се съберат | Как да се съхранят данните | Какви прозрения/решения можем да направим | 
+|--------|---------|--------------------------|---------------------------|-------------------------------------------|
+| Образование | | | | |
+| Ваксинация | | | | |
+| Продуктивност | | | | |
+
+## Оценка
+
+Отлично | Адекватно | Нуждае се от подобрение
+--- | --- | -- |
+Идентифицирани са разумни източници на данни, начини за съхранение на данни и възможни решения/прозрения за всички области | Някои аспекти на решението не са подробно описани, съхранението на данни не е обсъдено, поне 2 области са описани | Описани са само части от решението за данни, разгледана е само една област.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/bg/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..c3bbde0d
--- /dev/null
+++ b/translations/bg/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:27:07+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Задача: Сценарии за анализ на данни
+
+В тази първа задача ви молим да помислите за някакъв реален процес или проблем в различни области и как можете да го подобрите, използвайки процеса на анализ на данни. Помислете за следното:
+
+1. Какви данни можете да съберете?
+1. Как бихте ги събрали?
+1. Как бихте съхранили данните? Колко големи вероятно ще бъдат данните?
+1. Какви прозрения бихте могли да получите от тези данни? Какви решения бихме могли да вземем въз основа на данните?
+
+Опитайте се да помислите за 3 различни проблема/процеса и опишете всяка от точките по-горе за всяка област.
+
+Ето някои области и проблеми, които могат да ви помогнат да започнете:
+
+1. Как можете да използвате данни за подобряване на образователния процес за деца в училищата?
+1. Как можете да използвате данни за контрол на ваксинацията по време на пандемия?
+1. Как можете да използвате данни, за да сте сигурни, че сте продуктивни на работа?
+
+## Инструкции
+
+Попълнете следната таблица (заменете предложените области с ваши собствени, ако е необходимо):
+
+| Област | Проблем | Какви данни да съберем | Как да съхраним данните | Какви прозрения/решения можем да направим | 
+|--------|---------|------------------------|-------------------------|-------------------------------------------|
+| Образование | В университета обикновено има ниска посещаемост на лекции, и имаме хипотезата, че студентите, които посещават лекции, обикновено се справят по-добре на изпити. Искаме да стимулираме посещаемостта и да тестваме хипотезата. | Можем да проследим посещаемостта чрез снимки, направени от охранителната камера в класната стая, или чрез проследяване на bluetooth/wifi адресите на мобилните телефони на студентите в клас. Данните за изпитите вече са налични в университетската база данни. | Ако проследяваме изображения от охранителната камера - трябва да съхраним няколко (5-10) снимки по време на лекцията (неструктурирани данни), след което да използваме AI за идентифициране на лицата на студентите (конвертиране на данните в структурирана форма). | Можем да изчислим средните данни за посещаемост за всеки студент и да видим дали има някаква корелация с оценките от изпитите. Ще говорим повече за корелация в секцията [вероятности и статистика](../../04-stats-and-probability/README.md). За да стимулираме посещаемостта, можем да публикуваме седмичния рейтинг за посещаемост на училищния портал и да теглим награди сред тези с най-висока посещаемост. |
+| Ваксинация | | | | |
+| Продуктивност | | | | |
+
+> *Предоставяме само един отговор като пример, за да получите представа какво се очаква в тази задача.*
+
+## Оценяване
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | -- |
+Успява да идентифицира разумни източници на данни, начини за съхранение на данни и възможни решения/прозрения за всички области | Някои аспекти на решението не са подробно описани, съхранението на данни не е обсъдено, поне 2 области са описани | Описани са само части от решението за данни, разгледана е само една област.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/02-ethics/README.md b/translations/bg/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..634fe7bc
--- /dev/null
+++ b/translations/bg/1-Introduction/02-ethics/README.md
@@ -0,0 +1,243 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:14:32+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "bg"
+}
+-->
+# Въведение в етиката на данните
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Етика в науката за данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Всички ние сме граждани на данните, живеещи в свят, наситен с данни.
+
+Пазарните тенденции показват, че до 2022 г. 1 от 3 големи организации ще купува и продава своите данни чрез онлайн [пазари и борси](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Като **разработчици на приложения**, ще ни бъде по-лесно и по-евтино да интегрираме прозрения, базирани на данни, и автоматизация, управлявана от алгоритми, в ежедневния потребителски опит. Но с разпространението на изкуствения интелект ще трябва също така да разберем потенциалните вреди, причинени от [оръжието](https://www.youtube.com/watch?v=TQHs8SA1qpk) на такива алгоритми в голям мащаб.
+
+Тенденциите също така показват, че до 2025 г. ще създаваме и консумираме над [180 зетабайта](https://www.statista.com/statistics/871513/worldwide-data-created/) данни. Като **учени в областта на данните**, това ни дава безпрецедентен достъп до лични данни. Това означава, че можем да изграждаме поведенчески профили на потребителите и да влияем върху вземането на решения по начини, които създават [илюзия за свободен избор](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), като същевременно потенциално насочваме потребителите към предпочитани от нас резултати. Това също така повдига по-широки въпроси за поверителността на данните и защитата на потребителите.
+
+Етиката на данните вече е _необходима защита_ за науката за данни и инженерството, която ни помага да минимизираме потенциалните вреди и непредвидените последици от нашите действия, базирани на данни. [Цикълът на хиперболата на Гартнър за ИИ](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) идентифицира релевантни тенденции в дигиталната етика, отговорния ИИ и управлението на ИИ като ключови двигатели за по-големи мегатенденции около _демократизацията_ и _индустриализацията_ на ИИ.
+
+![Цикъл на хиперболата на Гартнър за ИИ - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+В този урок ще изследваме завладяващата област на етиката на данните - от основни концепции и предизвикателства до казуси и приложни концепции за ИИ като управление - които помагат за установяване на култура на етика в екипи и организации, работещи с данни и ИИ.
+
+
+
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Основни дефиниции
+
+Нека започнем с разбирането на основната терминология.
+
+Думата "етика" произлиза от [гръцката дума "ethikos"](https://en.wikipedia.org/wiki/Ethics) (и нейния корен "ethos"), което означава _характер или морална природа_. 
+
+**Етиката** се отнася до споделените ценности и морални принципи, които управляват нашето поведение в обществото. Етиката не се основава на закони, а на широко приети норми за това кое е "правилно срещу грешно". Въпреки това, етичните съображения могат да повлияят на корпоративните управленски инициативи и правителствените регулации, които създават повече стимули за съответствие.
+
+**Етиката на данните** е [нов клон на етиката](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), който "изучава и оценява моралните проблеми, свързани с _данни, алгоритми и съответните практики_". Тук **"данни"** се фокусират върху действия, свързани с генериране, записване, куриране, обработка, разпространение, споделяне и използване, **"алгоритми"** се фокусират върху ИИ, агенти, машинно обучение и роботи, а **"практики"** се фокусират върху теми като отговорни иновации, програмиране, хакерство и етични кодекси.
+
+**Приложната етика** е [практическото приложение на морални съображения](https://en.wikipedia.org/wiki/Applied_ethics). Това е процесът на активно изследване на етични въпроси в контекста на _реални действия, продукти и процеси_ и предприемане на коригиращи мерки, за да се гарантира, че те остават в съответствие с нашите дефинирани етични ценности.
+
+**Културата на етиката** се отнася до [_операционализирането_ на приложната етика](https://hbr.org/2019/05/how-to-design-an-ethical-organization), за да се гарантира, че нашите етични принципи и практики се приемат последователно и мащабируемо в цялата организация. Успешните култури на етика дефинират етични принципи на ниво организация, предоставят значими стимули за съответствие и укрепват етичните норми, като насърчават и усилват желаните поведения на всяко ниво в организацията.
+
+
+## Концепции за етика
+
+В този раздел ще обсъдим концепции като **споделени ценности** (принципи) и **етични предизвикателства** (проблеми) за етиката на данните - и ще разгледаме **казуси**, които ще ви помогнат да разберете тези концепции в реални контексти.
+
+### 1. Принципи на етиката
+
+Всяка стратегия за етика на данните започва с дефиниране на _етични принципи_ - "споделените ценности", които описват приемливите поведения и насочват съответните действия в нашите проекти за данни и ИИ. Можете да ги дефинирате на индивидуално или екипно ниво. Въпреки това, повечето големи организации ги очертават в мисия или рамка за _етичен ИИ_, която е дефинирана на корпоративно ниво и се прилага последователно във всички екипи.
+
+**Пример:** Мисията на Microsoft за [Отговорен ИИ](https://www.microsoft.com/en-us/ai/responsible-ai) гласи: _"Ние сме ангажирани с напредъка на ИИ, ръководен от етични принципи, които поставят хората на първо място"_ - идентифицирайки 6 етични принципа в рамката по-долу:
+
+![Отговорен ИИ в Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Нека разгледаме накратко тези принципи. _Прозрачността_ и _отговорността_ са основни ценности, върху които се изграждат останалите принципи - затова нека започнем с тях:
+
+* [**Отговорност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) прави практикуващите _отговорни_ за своите операции с данни и ИИ и за съответствието с тези етични принципи.
+* [**Прозрачност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) гарантира, че действията с данни и ИИ са _разбираеми_ (интерпретируеми) за потребителите, обяснявайки какво и защо стои зад решенията.
+* [**Справедливост**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - фокусира се върху гарантирането, че ИИ третира _всички хора_ справедливо, адресирайки всякакви системни или имплицитни социално-технически пристрастия в данните и системите.
+* [**Надеждност и безопасност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - гарантира, че ИИ се държи _последователно_ с дефинираните ценности, минимизирайки потенциалните вреди или непредвидените последици.
+* [**Поверителност и сигурност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - се отнася до разбирането на произхода на данните и предоставянето на _защита на поверителността на данните_ на потребителите.
+* [**Инклузивност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - се отнася до проектирането на ИИ решения с намерение, адаптирайки ги, за да отговорят на _широк спектър от човешки нужди_ и способности.
+
+> 🚨 Помислете каква би могла да бъде вашата мисия за етика на данните. Разгледайте рамки за етичен ИИ от други организации - ето примери от [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) и [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Какви споделени ценности имат те? Как тези принципи се отнасят до ИИ продуктите или индустрията, в която оперират?
+
+### 2. Етични предизвикателства
+
+След като дефинираме етичните принципи, следващата стъпка е да оценим нашите действия с данни и ИИ, за да видим дали те съответстват на тези споделени ценности. Помислете за действията си в две категории: _събиране на данни_ и _проектиране на алгоритми_.
+
+При събирането на данни действията вероятно ще включват **лични данни** или лична идентификационна информация (PII) за идентифицируеми живи лица. Това включва [разнообразни елементи от нелични данни](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), които _колективно_ идентифицират индивид. Етичните предизвикателства могат да се отнасят до _поверителност на данните_, _собственост на данните_ и свързани теми като _информирано съгласие_ и _права върху интелектуалната собственост_ на потребителите.
+
+При проектирането на алгоритми действията ще включват събиране и куриране на **набори от данни**, след което използването им за обучение и внедряване на **модели на данни**, които предсказват резултати или автоматизират решения в реални контексти. Етичните предизвикателства могат да възникнат от _пристрастия в набора от данни_, _проблеми с качеството на данните_, _несправедливост_ и _погрешно представяне_ в алгоритмите - включително някои проблеми, които са системни по природа.
+
+И в двата случая етичните предизвикателства подчертават области, в които нашите действия могат да влязат в конфликт с нашите споделени ценности. За да открием, смекчим, минимизираме или елиминираме тези опасения, трябва да задаваме морални "да/не" въпроси, свързани с нашите действия, и след това да предприемем коригиращи действия, ако е необходимо. Нека разгледаме някои етични предизвикателства и моралните въпроси, които те повдигат:
+
+
+#### 2.1 Собственост на данните
+
+Събирането на данни често включва лични данни, които могат да идентифицират субектите на данните. [Собствеността на данните](https://permission.io/blog/data-ownership) се отнася до _контрола_ и [_правата на потребителите_](https://permission.io/blog/data-ownership), свързани със създаването, обработката и разпространението на данни. 
+
+Моралните въпроси, които трябва да зададем, са: 
+ * Кой притежава данните? (потребител или организация)
+ * Какви права имат субектите на данните? (напр. достъп, изтриване, преносимост)
+ * Какви права имат организациите? (напр. коригиране на злонамерени потребителски отзиви)
+
+#### 2.2 Информирано съгласие
+
+[Информираното съгласие](https://legaldictionary.net/informed-consent/) определя акта на потребителите да се съгласят с дадено действие (като събиране на данни) с _пълно разбиране_ на съответните факти, включително целта, потенциалните рискове и алтернативите. 
+
+Въпроси за разглеждане тук са:
+ * Дал ли е потребителят (субектът на данните) разрешение за събиране и използване на данни?
+ * Разбрал ли е потребителят целта, за която са събрани данните?
+ * Разбрал ли е потребителят потенциалните рискове от участието си?
+
+#### 2.3 Интелектуална собственост
+
+[Интелектуалната собственост](https://en.wikipedia.org/wiki/Intellectual_property) се отнася до нематериални творения, произтичащи от човешка инициатива, които могат да _имат икономическа стойност_ за индивиди или бизнеси. 
+
+Въпроси за разглеждане тук са:
+ * Имат ли събраните данни икономическа стойност за потребител или бизнес?
+ * Има ли **потребителят** интелектуална собственост тук?
+ * Има ли **организацията** интелектуална собственост тук?
+ * Ако тези права съществуват, как ги защитаваме?
+
+#### 2.4 Поверителност на данните
+
+[Поверителността на данните](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) или информационната поверителност се отнася до запазването на поверителността на потребителите и защитата на тяхната идентичност по отношение на личната идентификационна информация. 
+
+Въпроси за разглеждане тук са:
+ * Защитени ли са данните на потребителите (лични) от хакове и изтичания?
+ * Достъпни ли са данните на потребителите само за оторизирани потребители и контексти?
+ * Запазена ли е анонимността на потребителите, когато данните се споделят или разпространяват?
+ * Може ли потребител да бъде деидентифициран от анонимизирани набори от данни?
+
+
+#### 2.5 Право да бъдеш забравен
+
+[Правото да бъдеш забравен](https://en.wikipedia.org/wiki/Right_to_be_forgotten) или [правото на изтриване](https://www.gdpreu.org/right-to-be-forgotten/) предоставя допълнителна защита на личните данни на потребителите. По-конкретно, то дава право на потребителите да поискат изтриване или премахване на лични данни от интернет търсения и други места, _при определени обстоятелства_ - позволявайки им ново начало онлайн, без минали действия да бъдат използвани срещу тях.
+
+Въпроси за разглеждане тук са:
+ * Позволява ли системата на субектите на данни да поискат изтриване?
+ * Трябва ли оттеглянето на съгласието на потребителя да задейства автоматично изтриване?
+ * Събрани ли са данни без съглас
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) проверява дали дизайнът на алгоритъма систематично дискриминира определени подгрупи от субекти на данни, водейки до [потенциални вреди](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) в _разпределението_ (когато ресурси се отказват или задържат от тази група) и _качеството на услугата_ (когато AI не е толкова точен за някои подгрупи, колкото за други).
+
+Въпроси за разглеждане тук са:
+ * Оценихме ли точността на модела за различни подгрупи и условия?
+ * Анализирахме ли системата за потенциални вреди (например, стереотипизиране)?
+ * Можем ли да преработим данните или да обучим отново моделите, за да смекчим идентифицираните вреди?
+
+Разгледайте ресурси като [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), за да научите повече.
+
+#### 2.9 Заблуда
+
+[Заблуда в данните](https://www.sciencedirect.com/topics/computer-science/misrepresentation) се отнася до въпроса дали представяме прозрения от честно докладвани данни по подвеждащ начин, за да подкрепим желан разказ.
+
+Въпроси за разглеждане тук са:
+ * Докладваме ли непълни или неточни данни?
+ * Визуализираме ли данни по начин, който води до подвеждащи заключения?
+ * Използваме ли селективни статистически техники за манипулиране на резултатите?
+ * Съществуват ли алтернативни обяснения, които могат да предложат различно заключение?
+
+#### 2.10 Свободен избор
+[Илюзията за свободен избор](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) възниква, когато "архитектурите на избор" в системата използват алгоритми за вземане на решения, за да насочат хората към предпочитан резултат, докато изглежда, че им дават опции и контрол. Тези [тъмни модели](https://www.darkpatterns.org/) могат да причинят социални и икономически вреди на потребителите. Тъй като решенията на потребителите влияят върху профилите на поведение, тези действия потенциално задвижват бъдещи избори, които могат да усилят или разширят въздействието на тези вреди.
+
+Въпроси за разглеждане тук са:
+ * Разбра ли потребителят последиците от вземането на този избор?
+ * Беше ли потребителят наясно с (алтернативните) опции и плюсовете и минусите на всяка?
+ * Може ли потребителят да отмени автоматизиран или повлиян избор по-късно?
+
+### 3. Казуси
+
+За да поставим тези етични предизвикателства в контекста на реалния свят, е полезно да разгледаме казуси, които подчертават потенциалните вреди и последствия за индивидите и обществото, когато такива етични нарушения се пренебрегват.
+
+Ето няколко примера:
+
+| Етично предизвикателство | Казус  | 
+|--- |--- |
+| **Информирано съгласие** | 1972 - [Изследване на сифилис в Тъскиги](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Афроамерикански мъже, които участвали в изследването, били обещани безплатна медицинска грижа, _но били измамени_ от изследователи, които не информирали субектите за диагнозата им или за наличието на лечение. Много субекти починали, а партньорите или децата им били засегнати; изследването продължило 40 години. | 
+| **Поверителност на данните** |  2007 - [Награда за данни на Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) предоставила на изследователи _10 милиона анонимизирани оценки на филми от 50 хиляди клиенти_, за да помогне за подобряване на алгоритмите за препоръки. Въпреки това, изследователите успели да свържат анонимизирани данни с лични данни в _външни набори от данни_ (например, коментари в IMDb) - ефективно "деанонимизирайки" някои абонати на Netflix.|
+| **Пристрастие при събиране на данни**  | 2013 - Град Бостън [разработил Street Bump](https://www.boston.gov/transportation/street-bump), приложение, което позволявало на гражданите да докладват за дупки, предоставяйки на града по-добри данни за пътната инфраструктура. Въпреки това, [хората от по-ниски доходни групи имали по-малък достъп до автомобили и телефони](https://hbr.org/2013/04/the-hidden-biases-in-big-data), което правело техните проблеми с пътищата невидими в това приложение. Разработчиците работили с академици за решаване на проблеми с _равен достъп и дигитални разделения_ за справедливост. |
+| **Алгоритмична справедливост**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) оценило точността на AI продукти за класификация на пола, разкривайки пропуски в точността за жени и хора с различен цвят на кожата. [Apple Card от 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) изглежда предлагала по-малко кредит на жени, отколкото на мъже. И двата случая илюстрират проблеми с алгоритмичното пристрастие, водещо до социално-икономически вреди.|
+| **Заблуда в данните** | 2020 - [Департаментът за обществено здраве на Джорджия публикувал графики за COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), които изглеждали подвеждащи за гражданите относно тенденциите в потвърдените случаи с не-хронологично подреждане на x-оста. Това илюстрира заблуда чрез визуализационни трикове. |
+| **Илюзия за свободен избор** | 2020 - Образователното приложение [ABCmouse платило $10 милиона за уреждане на жалба от FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), където родителите били принудени да плащат за абонаменти, които не можели да отменят. Това илюстрира тъмни модели в архитектурите на избор, където потребителите били насочени към потенциално вредни избори. |
+| **Поверителност на данните и права на потребителите** | 2021 - Facebook [Изтичане на данни](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) разкрило данни от 530 милиона потребители, водейки до уреждане от $5 милиарда с FTC. Въпреки това, компанията отказала да уведоми потребителите за изтичането, нарушавайки правата им за прозрачност и достъп до данни. |
+
+Искате ли да разгледате още казуси? Вижте тези ресурси:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - етични дилеми в различни индустрии. 
+* [Курс по етика в науката за данни](https://www.coursera.org/learn/data-science-ethics#syllabus) - разглеждане на знакови казуси.
+* [Къде нещата са се объркали](https://deon.drivendata.org/examples/) - списък Deon с примери.
+
+> 🚨 Помислете за казусите, които сте видели - изпитвали ли сте или били ли сте засегнати от подобно етично предизвикателство в живота си? Можете ли да се сетите за поне един друг казус, който илюстрира едно от етичните предизвикателства, които обсъдихме в този раздел?
+
+## Приложна етика
+
+Говорихме за концепции, предизвикателства и казуси в контекста на реалния свят. Но как да започнем _прилагането_ на етични принципи и практики в нашите проекти? И как да _операционализираме_ тези практики за по-добро управление? Нека разгледаме някои реални решения:
+
+### 1. Професионални кодекси
+
+Професионалните кодекси предлагат една опция за организациите да "стимулират" членовете си да подкрепят техните етични принципи и мисия. Кодексите са _морални насоки_ за професионално поведение, помагащи на служителите или членовете да вземат решения, които съответстват на принципите на организацията. Те са толкова добри, колкото доброволното спазване от членовете; въпреки това, много организации предлагат допълнителни награди и наказания, за да мотивират спазването.
+
+Примери включват:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Кодекс на етиката
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Кодекс на поведение (създаден през 2013 г.)
+ * [ACM Кодекс на етиката и професионалното поведение](https://www.acm.org/code-of-ethics) (от 1993 г.)
+
+> 🚨 Членувате ли в професионална инженерна или организация за наука за данни? Разгледайте техния сайт, за да видите дали дефинират професионален кодекс на етиката. Какво казва това за техните етични принципи? Как стимулират членовете да следват кодекса?
+
+### 2. Етични списъци за проверка
+
+Докато професионалните кодекси дефинират изискваното _етично поведение_ от практикуващите, те [имат известни ограничения](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) в прилагането, особено в мащабни проекти. Вместо това, много експерти в науката за данни [препоръчват списъци за проверка](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), които могат **да свържат принципите с практиките** по по-определен и приложим начин.
+
+Списъците за проверка превръщат въпросите в задачи "да/не", които могат да бъдат операционализирани, позволявайки им да бъдат проследявани като част от стандартните работни потоци за пускане на продукти.
+
+Примери включват:
+ * [Deon](https://deon.drivendata.org/) - общопрактичен етичен списък за проверка, създаден от [препоръки от индустрията](https://deon.drivendata.org/#checklist-citations) с инструмент за команден ред за лесна интеграция.
+ * [Списък за проверка на поверителността](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - предоставя общи насоки за практики за обработка на информация от правна и социална перспектива.
+ * [Списък за проверка на справедливостта в AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - създаден от AI практици за подкрепа на приемането и интеграцията на проверки за справедливост в цикли за разработка на AI.
+ * [22 въпроса за етика в данните и AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - по-отворена рамка, структурирана за първоначално изследване на етични въпроси в дизайна, изпълнението и организационните контексти.
+
+### 3. Етични регулации
+
+Етиката е за дефиниране на споделени ценности и правене на правилното нещо _доброволно_. **Съответствието** е за _спазване на закона_, ако и където е дефиниран. **Управлението** обхваща всички начини, по които организациите работят за прилагане на етични принципи и спазване на установените закони.
+
+Днес управлението приема две форми в рамките на организациите. Първо, става въпрос за дефиниране на принципи за **етичен AI** и установяване на практики за операционализиране на приемането им във всички AI-свързани проекти в организацията. Второ, става въпрос за спазване на всички правителствено наложени **регулации за защита на данните** за регионите, в които тя оперира.
+
+Примери за регулации за защита на данните и поверителност:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - регулира _събирането, използването и разкриването_ на лична информация от федералното правителство.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - защитава личните здравни данни.
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - защитава поверителността на данните на деца под 13 години.
+ * `2018`, [Общ регламент за защита на данните (GDPR)](https://gdpr-info.eu/) - предоставя права на потребителите, защита на данните и поверителност.
+ * `2018`, [Закон за поверителност на потребителите в Калифорния (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - дава на потребителите повече _права_ върху техните (лични) данни.
+ * `2021`, Китайският [Закон за защита на личната информация](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - създава една от най-силните регулации за онлайн поверителност в света.
+
+> 🚨 Европейският съюз дефинира GDPR (Общ регламент за защита на данните), който остава един от най-влиятелните регулации за поверителност на данните днес. Знаете ли, че той също дефинира [8 права на потребителите](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr), за да защити цифровата поверителност и личните данни на гражданите? Научете какви са те и защо са важни.
+
+### 4. Етична култура
+
+Имайте предвид, че остава нематериална разлика между _съответствие_ (правене на достатъчно, за да се спази "буквата на закона") и адресиране на [системни проблеми](https://www.coursera.org/learn/data-science-ethics/home/week/4) (като осификация, информационна асиметрия и разпределителна несправедливост), които могат да ускорят оръжейната употреба на AI.
+
+Последното изисква [съвместни подходи за дефиниране на етични култури](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), които изграждат емоционални връзки и последователни споделени ценности _в рамките на организациите_ в индустрията. Това изисква повече [формализирани култури на етика в данните](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) в организациите - позволявайки _всеки_ да [дръпне въжето на Андон](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (за да повдигне етични проблеми рано в процеса) и правейки _етичните оценки
+* [Принципи на отговорния изкуствен интелект](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - безплатен учебен курс от Microsoft Learn.  
+* [Етика и наука за данни](https://resources.oreilly.com/examples/0636920203964) - електронна книга на O'Reilly (М. Лукидес, Х. Мейсън и др.)  
+* [Етика в науката за данни](https://www.coursera.org/learn/data-science-ethics#syllabus) - онлайн курс от Университета на Мичиган.  
+* [Етика в действие](https://ethicsunwrapped.utexas.edu/case-studies) - казуси от Университета на Тексас.  
+
+# Задача  
+
+[Напишете казус за етика в данните](assignment.md)  
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/02-ethics/assignment.md b/translations/bg/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..14bb70de
--- /dev/null
+++ b/translations/bg/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:17:42+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "bg"
+}
+-->
+## Напишете казус за етика на данни
+
+## Инструкции
+
+Научихте за различни [Предизвикателства в етиката на данни](README.md#2-ethics-challenges) и видяхте примери за [Казуси](README.md#3-case-studies), които отразяват предизвикателства в етиката на данни в реални контексти.
+
+В това задание ще напишете свой собствен казус, който отразява предизвикателство в етиката на данни, базирано на вашия опит или на подходящ реален контекст, с който сте запознати. Просто следвайте тези стъпки:
+
+1. `Изберете предизвикателство в етиката на данни`. Разгледайте [примерите от урока](README.md#2-ethics-challenges) или потърсете онлайн примери като [Deon Checklist](https://deon.drivendata.org/examples/), за да се вдъхновите.
+
+2. `Опишете реален пример`. Помислете за ситуация, за която сте чували (новини, изследователско проучване и др.) или сте преживели (местна общност), където е възникнало това конкретно предизвикателство. Разгледайте въпросите, свързани с етиката на данни, които се отнасят до предизвикателството, и обсъдете потенциалните вреди или непредвидени последици, които възникват поради този проблем. Бонус точки: помислете за потенциални решения или процеси, които могат да бъдат приложени, за да се елиминира или намали неблагоприятното въздействие на това предизвикателство.
+
+3. `Предоставете списък с свързани ресурси`. Споделете един или повече ресурси (връзки към статия, личен блог пост или изображение, онлайн изследователска статия и др.), за да докажете, че това е реално събитие. Бонус точки: споделете ресурси, които също така показват потенциалните вреди и последици от инцидента или подчертават положителни стъпки, предприети за предотвратяване на повторението му.
+
+
+
+## Рубрика
+
+Примерен | Адекватен | Нуждае се от подобрение
+--- | --- | -- |
+Идентифицирани са едно или повече предизвикателства в етиката на данни. <br/> <br/> Казусът ясно описва реален инцидент, който отразява това предизвикателство, и подчертава нежеланите последици или вреди, които е причинил. <br/><br/> Има поне един свързан ресурс, който доказва, че това се е случило. | Идентифицирано е едно предизвикателство в етиката на данни. <br/><br/> Поне една релевантна вреда или последица е обсъдена накратко. <br/><br/> Въпреки това, дискусията е ограничена или липсва доказателство за реално събитие. | Идентифицирано е предизвикателство в етиката на данни. <br/><br/> Въпреки това, описанието или ресурсите не отразяват адекватно предизвикателството или не доказват реалното му съществуване. |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/03-defining-data/README.md b/translations/bg/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..2957dbda
--- /dev/null
+++ b/translations/bg/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:30:21+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "bg"
+}
+-->
+# Определяне на данни
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Определяне на данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Данните са факти, информация, наблюдения и измервания, които се използват за открития и за подкрепа на информирани решения. Една точка от данни е единична единица данни в рамките на набор от данни, който представлява колекция от точки от данни. Наборите от данни могат да бъдат в различни формати и структури и обикновено се базират на техния източник или откъде идват данните. Например, месечните приходи на една компания може да са в електронна таблица, но данните за сърдечния ритъм на час от смарт часовник може да са във формат [JSON](https://stackoverflow.com/a/383699). Често специалистите по данни работят с различни типове данни в рамките на един набор от данни.
+
+Този урок се фокусира върху идентифицирането и класифицирането на данни според техните характеристики и източници.
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## Как се описват данните
+
+### Сурови данни
+Суровите данни са данни, които идват от своя източник в първоначалното си състояние и не са анализирани или организирани. За да се разбере какво се случва с даден набор от данни, той трябва да бъде организиран във формат, който може да бъде разбран както от хората, така и от технологиите, които те използват за по-нататъшен анализ. Структурата на набора от данни описва как е организиран и може да бъде класифициран като структурирана, неструктурирана и полуструктурирана. Тези типове структури ще варират в зависимост от източника, но в крайна сметка ще попаднат в тези три категории.
+
+### Количествени данни
+Количествените данни са числови наблюдения в рамките на набор от данни и обикновено могат да бъдат анализирани, измервани и използвани математически. Някои примери за количествени данни са: населението на дадена страна, височината на човек или тримесечните приходи на компания. С допълнителен анализ количествените данни могат да се използват за откриване на сезонни тенденции в индекса за качество на въздуха (AQI) или за оценка на вероятността за трафик в час пик в типичен работен ден.
+
+### Качествени данни
+Качествените данни, известни още като категорийни данни, са данни, които не могат да бъдат измерени обективно като наблюденията на количествени данни. Те обикновено са различни формати на субективни данни, които улавят качеството на нещо, като продукт или процес. Понякога качествените данни са числови, но не се използват математически, като телефонни номера или времеви марки. Някои примери за качествени данни са: коментари към видеоклипове, марка и модел на автомобил или любимият цвят на най-близките ви приятели. Качествените данни могат да се използват за разбиране кои продукти потребителите харесват най-много или за идентифициране на популярни ключови думи в автобиографии за работа.
+
+### Структурирани данни
+Структурираните данни са данни, които са организирани в редове и колони, където всеки ред има един и същ набор от колони. Колоните представляват стойност от определен тип и се идентифицират с име, описващо какво представлява стойността, докато редовете съдържат действителните стойности. Колоните често имат специфичен набор от правила или ограничения за стойностите, за да се гарантира, че стойностите точно представят колоната. Например, представете си електронна таблица с клиенти, където всеки ред трябва да има телефонен номер и телефонните номера никога не съдържат буквени символи. Може да има правила, приложени към колоната за телефонен номер, за да се гарантира, че тя никога не е празна и съдържа само числа.
+
+Предимство на структурираните данни е, че те могат да бъдат организирани по начин, който позволява връзка с други структурирани данни. Въпреки това, тъй като данните са проектирани да бъдат организирани по специфичен начин, промените в тяхната обща структура могат да изискват много усилия. Например, добавянето на колона за имейл към електронната таблица с клиенти, която не може да бъде празна, означава, че ще трябва да измислите как да добавите тези стойности към съществуващите редове с клиенти в набора от данни.
+
+Примери за структурирани данни: електронни таблици, релационни бази данни, телефонни номера, банкови извлечения.
+
+### Неструктурирани данни
+Неструктурираните данни обикновено не могат да бъдат категоризирани в редове или колони и не съдържат формат или набор от правила за следване. Тъй като неструктурираните данни имат по-малко ограничения върху структурата си, е по-лесно да се добавя нова информация в сравнение със структуриран набор от данни. Ако сензор, който записва данни за барометрично налягане на всеки 2 минути, получи актуализация, която му позволява да измерва и записва температура, това не изисква промяна на съществуващите данни, ако те са неструктурирани. Въпреки това, анализът или изследването на този тип данни може да отнеме повече време. Например, учен, който иска да намери средната температура за предходния месец от данните на сензора, но открива, че сензорът е записал "e" в някои от своите данни, за да отбележи, че е бил повреден, вместо типично число, което означава, че данните са непълни.
+
+Примери за неструктурирани данни: текстови файлове, текстови съобщения, видео файлове.
+
+### Полуструктурирани данни
+Полуструктурираните данни имат характеристики, които ги правят комбинация от структурирани и неструктурирани данни. Те обикновено не се съобразяват с формат на редове и колони, но са организирани по начин, който се счита за структуриран и може да следва фиксиран формат или набор от правила. Структурата ще варира между източниците, като добре дефинирана йерархия или нещо по-гъвкаво, което позволява лесна интеграция на нова информация. Метаданните са индикатори, които помагат да се реши как данните са организирани и съхранявани и ще имат различни имена, в зависимост от типа данни. Някои често срещани имена за метаданни са тагове, елементи, обекти и атрибути. Например, типично съобщение по имейл ще има тема, тяло и набор от получатели и може да бъде организирано според това кой или кога го е изпратил.
+
+Примери за полуструктурирани данни: HTML, CSV файлове, JavaScript Object Notation (JSON).
+
+## Източници на данни
+
+Източникът на данни е първоначалното местоположение, където данните са генерирани или където "живеят", и ще варира в зависимост от това как и кога са събрани. Данните, генерирани от потребителите, са известни като първични данни, докато вторичните данни идват от източник, който е събрал данни за общо ползване. Например, група учени, които събират наблюдения в тропическа гора, биха се считали за първичен източник, а ако решат да ги споделят с други учени, това би се считало за вторичен източник за тези, които ги използват.
+
+Базите данни са често срещан източник и разчитат на система за управление на бази данни, за да хостват и поддържат данните, където потребителите използват команди, наречени заявки, за да изследват данните. Файловете като източници на данни могат да бъдат аудио, изображения и видео файлове, както и електронни таблици като Excel. Интернет източниците са често срещано място за хостване на данни, където могат да се намерят както бази данни, така и файлове. Интерфейсите за програмиране на приложения, известни още като APIs, позволяват на програмистите да създават начини за споделяне на данни с външни потребители чрез интернет, докато процесът на уеб скрейпинг извлича данни от уеб страница. [Уроците в Работата с данни](../../../../../../../../../2-Working-With-Data) се фокусират върху това как да се използват различни източници на данни.
+
+## Заключение
+
+В този урок научихме:
+
+- Какво представляват данните
+- Как се описват данните
+- Как се класифицират и категоризират данните
+- Къде могат да бъдат намерени данните
+
+## 🚀 Предизвикателство
+
+Kaggle е отличен източник на отворени набори от данни. Използвайте [инструмента за търсене на набори от данни](https://www.kaggle.com/datasets), за да намерите някои интересни набори от данни и класифицирайте 3-5 набора от данни според следните критерии:
+
+- Данните количествени ли са или качествени?
+- Данните структурирани, неструктурирани или полуструктурирани ли са?
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Преглед и самостоятелно обучение
+
+- Този модул на Microsoft Learn, озаглавен [Класифицирайте вашите данни](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), има подробно описание на структурирани, полуструктурирани и неструктурирани данни.
+
+## Задание
+
+[Класифициране на набори от данни](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/03-defining-data/assignment.md b/translations/bg/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..e10559c1
--- /dev/null
+++ b/translations/bg/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:32:01+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Класифициране на набори от данни
+
+## Инструкции
+
+Следвайте указанията в това задание, за да идентифицирате и класифицирате данните с един от всеки от следните типове данни:
+
+**Типове структура**: Структурирани, Полу-структурирани или Неструктурирани
+
+**Типове стойност**: Качествени или Количествени 
+
+**Типове източник**: Първични или Вторични
+
+1. Компания е придобита и вече има компания-майка. Екипът от специалисти по данни е получил електронна таблица с телефонни номера на клиенти от компанията-майка.
+
+Тип структура:
+
+Тип стойност:
+
+Тип източник:
+
+---
+
+2. Умният часовник събира данни за пулса на своя носител, а суровите данни са във формат JSON.
+
+Тип структура:
+
+Тип стойност:
+
+Тип източник:
+
+---
+
+3. Анкета за работното място относно морала на служителите, която е съхранена в CSV файл.
+
+Тип структура:
+
+Тип стойност:
+
+Тип източник:
+
+---
+
+4. Астрофизици имат достъп до база данни за галактики, която е събрана от космическа сонда. Данните съдържат броя на планетите във всяка галактика.
+
+Тип структура:
+
+Тип стойност:
+
+Тип източник:
+
+---
+
+5. Приложение за лични финанси използва API, за да се свърже с финансовите акаунти на потребителя, за да изчисли неговото нетно богатство. Потребителят може да види всички свои транзакции във формат на редове и колони, който изглежда подобен на електронна таблица.
+
+Тип структура:
+
+Тип стойност:
+
+Тип източник:
+
+## Рубрика
+
+Отлично | Адекватно | Нуждае се от подобрение
+--- | --- | -- |
+Правилно идентифицира всички типове структура, стойност и източник | Правилно идентифицира 3 типа структура, стойност и източник | Правилно идентифицира 2 или по-малко типа структура, стойност и източник |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/04-stats-and-probability/README.md b/translations/bg/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..a391d034
--- /dev/null
+++ b/translations/bg/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:40:30+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "bg"
+}
+-->
+# Кратко въведение в статистиката и теорията на вероятностите
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Статистика и вероятности - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Статистиката и теорията на вероятностите са две силно свързани области на математиката, които са изключително важни за науката за данни. Възможно е да се работи с данни без задълбочени математически познания, но все пак е полезно да се знаят поне основните концепции. Тук ще представим кратко въведение, което ще ви помогне да започнете.
+
+[![Въвеждащо видео](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.bg.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Вероятност и случайни променливи
+
+**Вероятността** е число между 0 и 1, което изразява колко вероятно е дадено **събитие**. Тя се дефинира като броя на положителните изходи (които водят до събитието), разделен на общия брой изходи, при условие че всички изходи са еднакво вероятни. Например, когато хвърлим зар, вероятността да получим четно число е 3/6 = 0.5.
+
+Когато говорим за събития, използваме **случайни променливи**. Например, случайната променлива, която представлява числото, получено при хвърляне на зар, би имала стойности от 1 до 6. Множеството от числа от 1 до 6 се нарича **пространство на извадките**. Можем да говорим за вероятността случайната променлива да приеме определена стойност, например P(X=3)=1/6.
+
+Случайната променлива в предишния пример се нарича **дискретна**, защото има преброимо пространство на извадките, т.е. има отделни стойности, които могат да бъдат изброени. Има случаи, когато пространството на извадките е диапазон от реални числа или целият набор от реални числа. Такива променливи се наричат **непрекъснати**. Добър пример е времето на пристигане на автобус.
+
+## Разпределение на вероятността
+
+В случая на дискретни случайни променливи е лесно да се опише вероятността на всяко събитие чрез функция P(X). За всяка стойност *s* от пространството на извадките *S* тя ще даде число от 0 до 1, така че сумата от всички стойности на P(X=s) за всички събития да бъде 1.
+
+Най-известното дискретно разпределение е **равномерното разпределение**, при което има пространство на извадките с N елемента, с равна вероятност 1/N за всеки от тях.
+
+По-трудно е да се опише разпределението на вероятността на непрекъсната променлива, със стойности, взети от някакъв интервал [a,b] или целия набор от реални числа ℝ. Помислете за случая с времето на пристигане на автобус. Всъщност, за всяко точно време на пристигане *t*, вероятността автобусът да пристигне точно в този момент е 0!
+
+> Сега знаете, че събития с вероятност 0 се случват, и то много често! Поне всеки път, когато автобусът пристигне!
+
+Можем да говорим само за вероятността променливата да попадне в даден интервал от стойности, напр. P(t<sub>1</sub>≤X<t<sub>2</sub>). В този случай разпределението на вероятността се описва чрез **функция на плътността на вероятността** p(x), така че
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.bg.png)
+  
+Непрекъснатият аналог на равномерното разпределение се нарича **непрекъснато равномерно**, което е дефинирано върху краен интервал. Вероятността стойността X да попадне в интервал с дължина l е пропорционална на l и достига до 1.
+
+Друго важно разпределение е **нормалното разпределение**, за което ще говорим по-подробно по-долу.
+
+## Средна стойност, дисперсия и стандартно отклонение
+
+Да предположим, че вземаме последователност от n извадки на случайна променлива X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Можем да дефинираме **средната стойност** (или **аритметичното средно**) на последователността по традиционния начин като (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. С увеличаване на размера на извадката (т.е. вземане на границата при n→∞), ще получим средната стойност (наричана също **очакване**) на разпределението. Ще обозначим очакването с **E**(x).
+
+> Може да се демонстрира, че за всяко дискретно разпределение със стойности {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} и съответни вероятности p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, очакването ще бъде равно на E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+За да определим колко далеч са разпръснати стойностите, можем да изчислим дисперсията σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, където μ е средната стойност на последователността. Стойността σ се нарича **стандартно отклонение**, а σ<sup>2</sup> се нарича **дисперсия**.
+
+## Мода, медиана и квартилни стойности
+
+Понякога средната стойност не представлява адекватно "типичната" стойност за данните. Например, когато има няколко крайни стойности, които са напълно извън обхвата, те могат да повлияят на средната стойност. Друго добро показание е **медианата**, стойност, такава че половината от точките на данните са по-ниски от нея, а другата половина - по-високи.
+
+За да ни помогне да разберем разпределението на данните, е полезно да говорим за **квартилни стойности**:
+
+* Първи квартил, или Q1, е стойност, такава че 25% от данните са под нея
+* Трети квартил, или Q3, е стойност, такава че 75% от данните са под нея
+
+Графично можем да представим връзката между медианата и квартилите в диаграма, наречена **кутия диаграма**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Тук също изчисляваме **междуквартилен обхват** IQR=Q3-Q1 и така наречените **отклонения** - стойности, които лежат извън границите [Q1-1.5*IQR,Q3+1.5*IQR].
+
+За крайно разпределение, което съдържа малък брой възможни стойности, добра "типична" стойност е тази, която се появява най-често, наречена **мода**. Тя често се прилага към категорийни данни, като цветове. Например, ако имаме две групи хора - едни, които силно предпочитат червено, и други, които предпочитат синьо. Ако кодираме цветовете с числа, средната стойност за предпочитан цвят би била някъде в оранжево-зеления спектър, което не показва действителното предпочитание на нито една от групите. Въпреки това, модата би била или един от цветовете, или и двата, ако броят на хората, гласуващи за тях, е равен (в този случай наричаме извадката **мултимодална**).
+
+## Данни от реалния свят
+
+Когато анализираме данни от реалния свят, те често не са случайни променливи в смисъл, че не провеждаме експерименти с неизвестен резултат. Например, разгледайте екип от бейзболни играчи и техните телесни данни, като височина, тегло и възраст. Тези числа не са точно случайни, но все пак можем да приложим същите математически концепции. Например, последователност от теглата на хората може да се счита за последователност от стойности, взети от някаква случайна променлива. Ето последователността от теглата на действителни бейзболни играчи от [Major League Baseball](http://mlb.mlb.com/index.jsp), взета от [този набор от данни](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (за ваше удобство са показани само първите 20 стойности):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Note**: За да видите пример за работа с този набор от данни, разгледайте [съпътстващия тетрадка](notebook.ipynb). Има и редица предизвикателства в този урок, които можете да завършите, като добавите малко код към тази тетрадка. Ако не сте сигурни как да работите с данни, не се притеснявайте - ще се върнем към работата с данни с Python на по-късен етап. Ако не знаете как да изпълнявате код в Jupyter Notebook, разгледайте [тази статия](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Ето кутия диаграма, показваща средна стойност, медиана и квартилни стойности за нашите данни:
+
+![Кутия диаграма за тегло](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.bg.png)
+
+Тъй като нашите данни съдържат информация за различни **ролите** на играчите, можем също да направим кутия диаграма по роли - това ще ни позволи да получим представа как стойностите на параметрите се различават между ролите. Този път ще разгледаме височината:
+
+![Кутия диаграма по роли](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.bg.png)
+
+Тази диаграма предполага, че средно височината на първите бейзмени е по-голяма от височината на вторите бейзмени. По-късно в този урок ще научим как можем да тестваме тази хипотеза по-формално и как да демонстрираме, че нашите данни са статистически значими, за да покажем това.
+
+> Когато работим с данни от реалния свят, приемаме, че всички точки от данни са извадки, взети от някакво разпределение на вероятността. Това предположение ни позволява да прилагаме техники за машинно обучение и да изграждаме работещи предсказателни модели.
+
+За да видим какво е разпределението на нашите данни, можем да начертаем графика, наречена **хистограма**. Оста X ще съдържа броя на различните интервали за тегло (т.нар. **коши**), а вертикалната ос ще показва броя на случаите, когато нашата случайна променлива попада в даден интервал.
+
+![Хистограма на данни от реалния свят](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.bg.png)
+
+От тази хистограма можете да видите, че всички стойности са съсредоточени около определено средно тегло, и колкото по-далеч от това тегло отиваме, толкова по-малко тегла с тази стойност се срещат. Т.е., много малко вероятно е теглото на бейзболен играч да бъде много различно от средното тегло. Дисперсията на теглата показва степента, до която теглата вероятно се различават от средното.
+
+> Ако вземем теглата на други хора, които не са от бейзболната лига, разпределението вероятно ще бъде различно. Въпреки това, формата на разпределението ще бъде същата, но средната стойност и дисперсията ще се променят. Така че, ако обучим нашия модел върху бейзболни играчи, той вероятно ще даде грешни резултати, когато се приложи към студенти от университет, защото основното разпределение е различно.
+
+## Нормално разпределение
+
+Разпределението на теглата, което видяхме по-горе, е много типично, и много измервания от реалния свят следват същия тип разпределение, но с различна средна стойност и дисперсия. Това разпределение се нарича **нормално разпределение**, и то играе много важна роля в статистиката.
+
+Използването на нормално разпределение е правилният начин за генериране на случайни тегла на потенциални бейзболни играчи. След като знаем средното тегло `mean` и стандартното отклонение `std`, можем да генерираме 1000 извадки за тегло по следния начин:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Ако начертаем хистограмата на генерираните извадки, ще видим картина, много подобна на показаната по-горе. И ако увеличим броя на извадките и броя на кошите, можем да генерираме картина на нормално разпределение, която е по-близка до идеалната:
+
+![Нормално разпределение със средна стойност=0 и стандартно отклонение=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.bg.png)
+
+*Нормално разпределение със средна стойност=0 и стандартно отклонение=1*
+
+## Интервали на доверие
+
+Когато говорим за теглата на бейзболни играчи, приемаме, че има определена **случайна променлива W**, която съответства на идеалното разпределение на вероятността за теглата на всички бейзболни играчи (т.нар. **популация**). Нашата последователност от тегла съответства на подмножество от всички бейзболни играчи, което наричаме **извадка**. Интересен въпрос е, можем ли да знаем параметрите на разпределението на W, т.е. средната стойност и дисперсията на популацията?
+
+Най-лесният отговор би бил да изчислим средната стойност и дисперсията на нашата извадка. Въпреки това, може да се случи така, че нашата случайна извадка да не представлява точно цялата популация. Затова има смисъл да говорим за **интервал на доверие**.
+> **Интервал на доверие** е оценката на истинската средна стойност на популацията, базирана на нашата извадка, която е точна с определена вероятност (или **ниво на доверие**).
+Представете си, че имаме извадка X<sub>1</sub>, ..., X<sub>n</sub> от нашето разпределение. Всеки път, когато теглим извадка от разпределението, ще получим различна средна стойност μ. Следователно, μ може да се разглежда като случайна променлива. **Доверителен интервал** с доверие p е двойка стойности (L<sub>p</sub>,R<sub>p</sub>), така че **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, т.е. вероятността измерената средна стойност да попадне в интервала е равна на p.
+
+Детайлното обяснение как се изчисляват тези доверителни интервали излиза извън рамките на нашето кратко въведение. Повече информация може да се намери [в Уикипедия](https://en.wikipedia.org/wiki/Confidence_interval). Накратко, дефинираме разпределението на изчислената средна стойност на извадката спрямо истинската средна стойност на популацията, което се нарича **разпределение на Стюдънт**.
+
+> **Интересен факт**: Разпределението на Стюдънт е наречено така в чест на математика Уилям Сийли Госет, който публикувал своята работа под псевдонима "Стюдънт". Той работел в пивоварната Гинес и, според една от версиите, работодателят му не искал широката публика да знае, че използват статистически тестове за определяне на качеството на суровините.
+
+Ако искаме да оценим средната стойност μ на нашата популация с доверие p, трябва да вземем *(1-p)/2-ти персентил* от разпределението на Стюдънт A, което може да бъде взето от таблици или изчислено с помощта на вградени функции в статистически софтуер (например Python, R и др.). Тогава интервалът за μ ще бъде даден от X±A*D/√n, където X е получената средна стойност на извадката, а D е стандартното отклонение.
+
+> **Забележка**: Пропускаме и обсъждането на важната концепция за [степени на свобода](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), която е важна във връзка с разпределението на Стюдънт. Можете да се обърнете към по-подробни книги по статистика, за да разберете тази концепция по-добре.
+
+Пример за изчисляване на доверителен интервал за тегло и височина е даден в [придружаващите тетрадки](notebook.ipynb).
+
+| p    | Средно тегло |
+|------|--------------|
+| 0.85 | 201.73±0.94  |
+| 0.90 | 201.73±1.08  |
+| 0.95 | 201.73±1.28  |
+
+Забележете, че колкото по-висока е вероятността за доверие, толкова по-широк е доверителният интервал.
+
+## Тестване на хипотези
+
+В нашия набор от данни за бейзболни играчи има различни роли на играчите, които могат да бъдат обобщени по следния начин (вижте [придружаващата тетрадка](notebook.ipynb), за да видите как може да се изчисли тази таблица):
+
+| Роля               | Височина   | Тегло      | Брой  |
+|--------------------|------------|------------|-------|
+| Catcher            | 72.723684  | 204.328947 | 76    |
+| Designated_Hitter  | 74.222222  | 220.888889 | 18    |
+| First_Baseman      | 74.000000  | 213.109091 | 55    |
+| Outfielder         | 73.010309  | 199.113402 | 194   |
+| Relief_Pitcher     | 74.374603  | 203.517460 | 315   |
+| Second_Baseman     | 71.362069  | 184.344828 | 58    |
+| Shortstop          | 71.903846  | 182.923077 | 52    |
+| Starting_Pitcher   | 74.719457  | 205.163636 | 221   |
+| Third_Baseman      | 73.044444  | 200.955556 | 45    |
+
+Можем да забележим, че средната височина на първите базови играчи е по-голяма от тази на вторите базови играчи. Следователно, може да се изкушим да заключим, че **първите базови играчи са по-високи от вторите базови играчи**.
+
+> Това твърдение се нарича **хипотеза**, защото не знаем дали фактът е действително верен или не.
+
+Въпреки това, не винаги е очевидно дали можем да направим това заключение. От горната дискусия знаем, че всяка средна стойност има свързан доверителен интервал и следователно тази разлика може да бъде просто статистическа грешка. Нуждаем се от по-формален начин за тестване на нашата хипотеза.
+
+Нека изчислим доверителните интервали поотделно за височините на първите и вторите базови играчи:
+
+| Доверие | Първи базови играчи | Втори базови играчи |
+|---------|----------------------|---------------------|
+| 0.85    | 73.62..74.38        | 71.04..71.69        |
+| 0.90    | 73.56..74.44        | 70.99..71.73        |
+| 0.95    | 73.47..74.53        | 70.92..71.81        |
+
+Виждаме, че при нито едно доверие интервалите не се припокриват. Това доказва нашата хипотеза, че първите базови играчи са по-високи от вторите базови играчи.
+
+По-формално, проблемът, който решаваме, е да проверим дали **две вероятностни разпределения са еднакви**, или поне имат еднакви параметри. В зависимост от разпределението, трябва да използваме различни тестове за това. Ако знаем, че нашите разпределения са нормални, можем да приложим **[t-тест на Стюдънт](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+В t-теста на Стюдънт изчисляваме така наречената **t-стойност**, която показва разликата между средните стойности, като взема предвид вариацията. Демонстрирано е, че t-стойността следва **разпределението на Стюдънт**, което ни позволява да получим прагова стойност за дадено ниво на доверие **p** (това може да бъде изчислено или намерено в числови таблици). След това сравняваме t-стойността с този праг, за да одобрим или отхвърлим хипотезата.
+
+В Python можем да използваме пакета **SciPy**, който включва функцията `ttest_ind` (в допълнение към много други полезни статистически функции!). Тя изчислява t-стойността за нас и също така извършва обратното търсене на p-стойността, така че можем просто да погледнем доверието, за да направим заключение.
+
+Например, нашето сравнение между височините на първите и вторите базови играчи ни дава следните резултати: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+В нашия случай p-стойността е много ниска, което означава, че има силни доказателства в подкрепа на това, че първите базови играчи са по-високи.
+
+Съществуват и други видове хипотези, които може да искаме да тестваме, например:
+* Да докажем, че дадена извадка следва определено разпределение. В нашия случай сме предположили, че височините са нормално разпределени, но това изисква формална статистическа проверка.
+* Да докажем, че средната стойност на извадка съответства на предварително зададена стойност.
+* Да сравним средните стойности на няколко извадки (например каква е разликата в нивата на щастие между различни възрастови групи).
+
+## Закон за големите числа и централна гранична теорема
+
+Една от причините, поради които нормалното разпределение е толкова важно, е така наречената **централна гранична теорема**. Да предположим, че имаме голяма извадка от независими N стойности X<sub>1</sub>, ..., X<sub>N</sub>, взети от произволно разпределение със средна стойност μ и вариация σ<sup>2</sup>. Тогава, за достатъчно голямо N (с други думи, когато N→∞), средната стойност Σ<sub>i</sub>X<sub>i</sub> ще бъде нормално разпределена със средна стойност μ и вариация σ<sup>2</sup>/N.
+
+> Друг начин за интерпретиране на централната гранична теорема е да се каже, че независимо от разпределението, когато изчислявате средната стойност на сума от произволни стойности на случайни променливи, получавате нормално разпределение.
+
+От централната гранична теорема също следва, че когато N→∞, вероятността средната стойност на извадката да бъде равна на μ става 1. Това е известно като **закон за големите числа**.
+
+## Ковариация и корелация
+
+Една от задачите на науката за данни е да открива връзки между данни. Казваме, че две последователности **корелират**, когато показват подобно поведение по едно и също време, т.е. или се увеличават/намаляват едновременно, или едната се увеличава, когато другата намалява, и обратно. С други думи, изглежда, че има някаква връзка между двете последователности.
+
+> Корелацията не означава непременно причинно-следствена връзка между две последователности; понякога и двете променливи могат да зависят от някаква външна причина, или може да е чиста случайност, че двете последователности корелират. Въпреки това, силната математическа корелация е добър индикатор, че двете променливи са по някакъв начин свързани.
+
+Математически, основната концепция, която показва връзката между две случайни променливи, е **ковариацията**, която се изчислява така: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Изчисляваме отклонението на двете променливи от техните средни стойности и след това произведението на тези отклонения. Ако и двете променливи се отклоняват заедно, произведението винаги ще бъде положителна стойност, която ще се сумира до положителна ковариация. Ако и двете променливи се отклоняват несинхронно (т.е. едната пада под средното, когато другата се издига над средното), винаги ще получаваме отрицателни числа, които ще се сумират до отрицателна ковариация. Ако отклоненията не са зависими, те ще се сумират до приблизително нула.
+
+Абсолютната стойност на ковариацията не ни казва много за това колко голяма е корелацията, защото зависи от мащаба на действителните стойности. За да я нормализираме, можем да разделим ковариацията на стандартното отклонение на двете променливи, за да получим **корелация**. Добрата новина е, че корелацията винаги е в диапазона [-1,1], където 1 показва силна положителна корелация между стойностите, -1 - силна отрицателна корелация, а 0 - липса на корелация (променливите са независими).
+
+**Пример**: Можем да изчислим корелацията между теглото и височината на бейзболни играчи от споменатия по-горе набор от данни:
+```python
+print(np.corrcoef(weights,heights))
+```
+В резултат получаваме **матрица на корелация**, подобна на тази:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> Матрицата на корелация C може да бъде изчислена за всякакъв брой входни последователности S<sub>1</sub>, ..., S<sub>n</sub>. Стойността на C<sub>ij</sub> е корелацията между S<sub>i</sub> и S<sub>j</sub>, а диагоналните елементи винаги са 1 (което е и самокорелация на S<sub>i</sub>).
+
+В нашия случай стойността 0.53 показва, че има известна корелация между теглото и височината на човек. Можем също така да направим разсейващ график на една стойност спрямо другата, за да видим връзката визуално:
+
+![Връзка между тегло и височина](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.bg.png)
+
+> Повече примери за корелация и ковариация могат да бъдат намерени в [придружаващата тетрадка](notebook.ipynb).
+
+## Заключение
+
+В този раздел научихме:
+
+* основни статистически свойства на данните, като средна стойност, вариация, мода и квартил
+* различни разпределения на случайни променливи, включително нормално разпределение
+* как да намерим корелация между различни свойства
+* как да използваме математически и статистически методи, за да докажем хипотези
+* как да изчислим доверителни интервали за случайна променлива, базирайки се на извадка от данни
+
+Въпреки че това определено не е изчерпателен списък на темите в областта на вероятностите и статистиката, той би трябвало да е достатъчен, за да ви даде добър старт в този курс.
+
+## 🚀 Предизвикателство
+
+Използвайте примерния код в тетрадката, за да тествате следните хипотези:
+1. Първите базови играчи са по-възрастни от вторите базови играчи.
+2. Първите базови играчи са по-високи от третите базови играчи.
+3. Шортстопите са по-високи от вторите базови играчи.
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Преглед и самостоятелно обучение
+
+Вероятностите и статистиката са толкова обширна тема, че заслужават свой собствен курс. Ако искате да задълбаете в теорията, може да продължите с четенето на някои от следните книги:
+
+1. [Карлос Фернандес-Гранда](https://cims.nyu.edu/~cfgranda/) от Нюйоркския университет има страхотни лекционни бележки [Вероятности и статистика за наука за данни](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (достъпни онлайн).
+2. [Питър и Андрю Брус. Практическа статистика за специалисти по данни.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[примерен код на R](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+3. [Джеймс Д. Милър. Статистика за наука за данни](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[примерен код на R](https://github.com/PacktPublishing/Statistics-for-Data-Science)].
+
+## Задача
+
+[Малко изследване за диабет](assignment.md)
+
+## Благодарности
+
+Този урок е създаден с ♥️ от [Дмитрий Сошников](http://soshnikov.com)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/04-stats-and-probability/assignment.md b/translations/bg/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..2189bb43
--- /dev/null
+++ b/translations/bg/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:43:08+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Малко изследване на диабет
+
+В това задание ще работим с малък набор от данни за пациенти с диабет, взет от [тук](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | ВЪЗРАСТ | ПОЛ | BMI | КРЪВНО НАЛЯГАНЕ | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|---------|-----|-----|----------------|----|----|----|----|----|----|----|
+| 0 | 59      | 2   | 32.1 | 101.          | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48      | 1   | 21.6 | 87.0          | 183 | 103.2 | 70.  | 3. | 3.8918 | 69 | 75  |
+| 2 | 72      | 2   | 30.5 | 93.0          | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ...   | ... | ...  | ...            | ... | ...  | ...  | ... | ... | ... | ... |
+
+## Инструкции
+
+* Отворете [тетрадката за заданието](assignment.ipynb) в среда за работа с jupyter notebook
+* Завършете всички задачи, изброени в тетрадката, а именно:
+   * [ ] Изчислете средни стойности и вариация за всички данни
+   * [ ] Направете boxplot графики за BMI, кръвно налягане и Y в зависимост от пола
+   * [ ] Какво е разпределението на променливите възраст, пол, BMI и Y?
+   * [ ] Тествайте корелацията между различни променливи и прогресията на заболяването (Y)
+   * [ ] Тествайте хипотезата, че степента на прогресия на диабета е различна между мъжете и жените
+   
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | -- |
+Всички изисквани задачи са завършени, графично илюстрирани и обяснени | Повечето задачи са завършени, липсват обяснения или изводи от графиките и/или получените стойности | Само основни задачи като изчисляване на средни стойности/вариация и базови графики са завършени, няма направени изводи от данните
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/1-Introduction/README.md b/translations/bg/1-Introduction/README.md
new file mode 100644
index 00000000..b66018e2
--- /dev/null
+++ b/translations/bg/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T15:00:13+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "bg"
+}
+-->
+# Въведение в науката за данните
+
+![данни в действие](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.bg.jpg)
+> Снимка от <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> на <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+В тези уроци ще откриете как се дефинира науката за данните и ще научите за етичните съображения, които трябва да бъдат взети предвид от специалиста по данни. Ще научите също как се дефинират данните и ще се запознаете с основите на статистиката и вероятностите, които са основни академични области на науката за данните.
+
+### Теми
+
+1. [Дефиниране на науката за данните](01-defining-data-science/README.md)
+2. [Етика в науката за данните](02-ethics/README.md)
+3. [Дефиниране на данни](03-defining-data/README.md)
+4. [Въведение в статистиката и вероятностите](04-stats-and-probability/README.md)
+
+### Автори
+
+Тези уроци са написани с ❤️ от [Nitya Narasimhan](https://twitter.com/nitya) и [Dmitry Soshnikov](https://twitter.com/shwars).
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/05-relational-databases/README.md b/translations/bg/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..2220b35a
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:31:41+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "bg"
+}
+-->
+# Работа с данни: Релационни бази данни
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Работа с данни: Релационни бази данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Вероятно сте използвали електронна таблица в миналото, за да съхранявате информация. Имахте набор от редове и колони, където редовете съдържаха информацията (или данните), а колоните описваха информацията (понякога наричана метаданни). Релационната база данни е изградена върху този основен принцип на колони и редове в таблици, което ви позволява да разпределяте информацията в множество таблици. Това ви дава възможност да работите с по-сложни данни, да избягвате дублирането и да имате гъвкавост в начина, по който изследвате данните. Нека разгледаме концепциите на релационната база данни.
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Всичко започва с таблици
+
+В основата на релационната база данни са таблиците. Точно както при електронната таблица, таблицата е колекция от колони и редове. Редът съдържа данните или информацията, с която искаме да работим, като например името на град или количеството валежи. Колоните описват данните, които съхраняват.
+
+Нека започнем нашето изследване, като създадем таблица за съхранение на информация за градове. Може да започнем с техните имена и държави. Можете да съхранявате това в таблица, както следва:
+
+| Град     | Държава       |
+| -------- | ------------- |
+| Токио    | Япония        |
+| Атланта  | Съединени щати |
+| Окланд   | Нова Зеландия |
+
+Забележете, че имената на колоните **град**, **държава** и **население** описват данните, които се съхраняват, а всеки ред съдържа информация за един град.
+
+## Недостатъци на подхода с една таблица
+
+Вероятно таблицата по-горе ви изглежда сравнително позната. Нека започнем да добавяме допълнителни данни към нашата развиваща се база данни - годишни валежи (в милиметри). Ще се фокусираме върху годините 2018, 2019 и 2020. Ако трябваше да добавим данни за Токио, това може да изглежда така:
+
+| Град  | Държава | Година | Количество |
+| ----- | ------- | ------ | ---------- |
+| Токио | Япония  | 2020   | 1690       |
+| Токио | Япония  | 2019   | 1874       |
+| Токио | Япония  | 2018   | 1445       |
+
+Какво забелязвате в нашата таблица? Може да забележите, че дублираме името и държавата на града отново и отново. Това може да заема доста място за съхранение и е до голяма степен ненужно. В крайна сметка, Токио има само едно име, което ни интересува.
+
+Добре, нека опитаме нещо друго. Нека добавим нови колони за всяка година:
+
+| Град     | Държава       | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Токио    | Япония        | 1445 | 1874 | 1690 |
+| Атланта  | Съединени щати | 1779 | 1111 | 1683 |
+| Окланд   | Нова Зеландия | 1386 | 942  | 1176 |
+
+Докато това избягва дублирането на редове, то добавя няколко други предизвикателства. Ще трябва да променяме структурата на нашата таблица всеки път, когато има нова година. Освен това, когато данните ни растат, наличието на години като колони ще направи по-трудно извличането и изчисляването на стойности.
+
+Ето защо ни трябват множество таблици и връзки. Чрез разделяне на данните можем да избегнем дублирането и да имаме повече гъвкавост в начина, по който работим с тях.
+
+## Концепцията за връзки
+
+Нека се върнем към нашите данни и определим как искаме да ги разделим. Знаем, че искаме да съхраняваме името и държавата на нашите градове, така че това вероятно ще работи най-добре в една таблица.
+
+| Град     | Държава       |
+| -------- | ------------- |
+| Токио    | Япония        |
+| Атланта  | Съединени щати |
+| Окланд   | Нова Зеландия |
+
+Но преди да създадем следващата таблица, трябва да измислим как да реферираме всеки град. Нуждаем се от някаква форма на идентификатор, ID или (в технически термини за база данни) първичен ключ. Първичният ключ е стойност, използвана за идентифициране на един конкретен ред в таблица. Въпреки че това може да се базира на самата стойност (можем да използваме името на града, например), почти винаги трябва да бъде число или друг идентификатор. Не искаме ID да се променя, тъй като това би нарушило връзката. В повечето случаи първичният ключ или ID ще бъде автоматично генерирано число.
+
+> ✅ Първичният ключ често се съкращава като PK
+
+### градове
+
+| city_id | Град     | Държава       |
+| ------- | -------- | ------------- |
+| 1       | Токио    | Япония        |
+| 2       | Атланта  | Съединени щати |
+| 3       | Окланд   | Нова Зеландия |
+
+> ✅ Ще забележите, че използваме термините "id" и "първичен ключ" взаимозаменяемо по време на този урок. Концепциите тук се прилагат и за DataFrames, които ще разгледате по-късно. DataFrames не използват терминологията "първичен ключ", но ще забележите, че се държат по подобен начин.
+
+Създавайки таблицата за градове, нека съхраним данните за валежите. Вместо да дублираме пълната информация за града, можем да използваме ID. Също така трябва да се уверим, че новосъздадената таблица има *id* колона, тъй като всички таблици трябва да имат ID или първичен ключ.
+
+### валежи
+
+| rainfall_id | city_id | Година | Количество |
+| ----------- | ------- | ------ | ---------- |
+| 1           | 1       | 2018   | 1445       |
+| 2           | 1       | 2019   | 1874       |
+| 3           | 1       | 2020   | 1690       |
+| 4           | 2       | 2018   | 1779       |
+| 5           | 2       | 2019   | 1111       |
+| 6           | 2       | 2020   | 1683       |
+| 7           | 3       | 2018   | 1386       |
+| 8           | 3       | 2019   | 942        |
+| 9           | 3       | 2020   | 1176       |
+
+Забележете колоната **city_id** в новосъздадената таблица **валежи**. Тази колона съдържа стойности, които реферират ID-тата в таблицата **градове**. В технически термини за релационни данни, това се нарича **външен ключ**; това е първичен ключ от друга таблица. Можете просто да го мислите като референция или указател. **city_id** 1 реферира към Токио.
+
+> [!NOTE] Външният ключ често се съкращава като FK
+
+## Извличане на данни
+
+С разделените данни в две таблици, може би се чудите как да ги извлечем. Ако използваме релационна база данни като MySQL, SQL Server или Oracle, можем да използваме език, наречен Структуриран език за заявки или SQL. SQL (понякога произнасяно като "сикъл") е стандартен език, използван за извличане и модифициране на данни в релационна база данни.
+
+За да извлечете данни, използвате командата `SELECT`. В основата си, вие **избирате** колоните, които искате да видите **от** таблицата, в която се намират. Ако искате да покажете само имената на градовете, можете да използвате следното:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` е мястото, където изброявате колоните, а `FROM` е мястото, където изброявате таблиците.
+
+> [NOTE] Синтаксисът на SQL не прави разлика между малки и големи букви, което означава, че `select` и `SELECT` означават едно и също. Въпреки това, в зависимост от типа база данни, която използвате, колоните и таблиците може да правят разлика между малки и големи букви. Затова е добра практика винаги да третирате всичко в програмирането като чувствително към малки и големи букви. Когато пишете SQL заявки, обичайно е ключовите думи да се пишат с главни букви.
+
+Горната заявка ще покаже всички градове. Да си представим, че искаме да покажем само градовете в Нова Зеландия. Нуждаем се от някаква форма на филтър. SQL ключовата дума за това е `WHERE`, или "където нещо е вярно".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Свързване на данни
+
+Досега извличахме данни от една таблица. Сега искаме да обединим данните от **градове** и **валежи**. Това се прави чрез *свързване* на таблиците. Ефективно ще създадете връзка между двете таблици и ще съпоставите стойностите от колона от всяка таблица.
+
+В нашия пример ще съпоставим колоната **city_id** в **валежи** с колоната **city_id** в **градове**. Това ще съпостави стойността на валежите с нейния съответен град. Типът свързване, който ще извършим, се нарича *вътрешно* свързване, което означава, че ако някои редове не съвпадат с нищо от другата таблица, те няма да бъдат показани. В нашия случай всеки град има данни за валежи, така че всичко ще бъде показано.
+
+Нека извлечем данните за валежите за 2019 година за всички наши градове.
+
+Ще направим това на стъпки. Първата стъпка е да свържем данните, като посочим колоните за връзката - **city_id**, както беше подчертано преди.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Подчертали сме двете колони, които искаме, и факта, че искаме да свържем таблиците чрез **city_id**. Сега можем да добавим израза `WHERE`, за да филтрираме само годината 2019.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Обобщение
+
+Релационните бази данни са съсредоточени върху разделянето на информацията между множество таблици, които след това се обединяват за показване и анализ. Това предоставя висока степен на гъвкавост за извършване на изчисления и манипулиране на данни. Вие видяхте основните концепции на релационната база данни и как да извършите свързване между две таблици.
+
+## 🚀 Предизвикателство
+
+Има множество релационни бази данни, достъпни в интернет. Можете да изследвате данните, използвайки уменията, които научихте по-горе.
+
+## Тест след лекцията
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Преглед и самостоятелно обучение
+
+Има няколко ресурса, достъпни на [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum), за да продължите вашето изследване на SQL и концепциите за релационни бази данни.
+
+- [Описание на концепциите за релационни данни](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Започнете с заявки с Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL е версия на SQL)
+- [SQL съдържание на Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Задание
+
+[Заглавие на заданието](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/05-relational-databases/assignment.md b/translations/bg/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..7a7b082e
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:34:04+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Показване на данни за летища
+
+Предоставена ви е [база данни](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db), изградена върху [SQLite](https://sqlite.org/index.html), която съдържа информация за летища. Схемата е показана по-долу. Ще използвате [SQLite разширението](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) в [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum), за да покажете информация за летищата в различни градове.
+
+## Инструкции
+
+За да започнете с задачата, ще трябва да изпълните няколко стъпки. Ще трябва да инсталирате необходимите инструменти и да изтеглите примерната база данни.
+
+### Настройка на системата
+
+Можете да използвате Visual Studio Code и разширението SQLite, за да взаимодействате с базата данни.
+
+1. Отидете на [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) и следвайте инструкциите за инсталиране на Visual Studio Code
+1. Инсталирайте [SQLite разширението](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum), както е описано на страницата в Marketplace
+
+### Изтегляне и отваряне на базата данни
+
+След това ще изтеглите и отворите базата данни.
+
+1. Изтеглете [файла с базата данни от GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) и го запазете в директория
+1. Отворете Visual Studio Code
+1. Отворете базата данни в разширението SQLite, като изберете **Ctl-Shift-P** (или **Cmd-Shift-P** на Mac) и напишете `SQLite: Open database`
+1. Изберете **Choose database from file** и отворете файла **airports.db**, който изтеглихте по-рано
+1. След като отворите базата данни (няма да видите промяна на екрана), създайте нов прозорец за заявки, като изберете **Ctl-Shift-P** (или **Cmd-Shift-P** на Mac) и напишете `SQLite: New query`
+
+След като прозорецът за заявки е отворен, можете да използвате SQL команди, за да изпълнявате заявки към базата данни. Можете да използвате командата **Ctl-Shift-Q** (или **Cmd-Shift-Q** на Mac), за да изпълнявате заявки към базата данни.
+
+> [!NOTE] За повече информация относно разширението SQLite можете да се консултирате с [документацията](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Схема на базата данни
+
+Схемата на базата данни представлява нейния дизайн и структура на таблиците. Базата данни **airports** има две таблици: `cities`, която съдържа списък с градове в Обединеното кралство и Ирландия, и `airports`, която съдържа списък с всички летища. Тъй като някои градове могат да имат повече от едно летище, са създадени две таблици за съхранение на информацията. В това упражнение ще използвате обединения (joins), за да покажете информация за различни градове.
+
+| Градове           |
+| ----------------- |
+| id (PK, integer)  |
+| city (text)       |
+| country (text)    |
+
+| Летища                          |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK към id в **Cities**) |
+
+## Задача
+
+Създайте заявки, които връщат следната информация:
+
+1. всички имена на градове в таблицата `Cities`
+1. всички градове в Ирландия в таблицата `Cities`
+1. всички имена на летища с техния град и държава
+1. всички летища в Лондон, Обединеното кралство
+
+## Оценяване
+
+| Отлично | Задоволително | Нуждае се от подобрение |
+| -------- | ------------- | ----------------------- |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/06-non-relational/README.md b/translations/bg/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..f6e05e74
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:56:11+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "bg"
+}
+-->
+# Работа с данни: Нерелационни данни
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Работа с NoSQL данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Данните не са ограничени само до релационни бази данни. Тази лекция се фокусира върху нерелационни данни и ще обхване основите на електронни таблици и NoSQL.
+
+## Електронни таблици
+
+Електронните таблици са популярен начин за съхранение и изследване на данни, защото изискват по-малко усилия за настройка и започване. В тази лекция ще научите основните компоненти на електронна таблица, както и формули и функции. Примерите ще бъдат илюстрирани с Microsoft Excel, но повечето части и теми ще имат подобни имена и стъпки в сравнение с други софтуери за електронни таблици.
+
+![Празен Microsoft Excel работен файл с два работни листа](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.bg.png)
+
+Електронната таблица е файл и ще бъде достъпна в файловата система на компютър, устройство или облачна файлова система. Самият софтуер може да бъде браузър-базиран или приложение, което трябва да бъде инсталирано на компютър или изтеглено като приложение. В Excel тези файлове също се дефинират като **работни книги** и тази терминология ще се използва в останалата част от лекцията.
+
+Работната книга съдържа един или повече **работни листа**, като всеки работен лист е обозначен с табове. В рамките на работния лист има правоъгълници, наречени **клетки**, които съдържат действителните данни. Клетката е пресечната точка на ред и колона, като колоните са обозначени с буквени символи, а редовете - с числови. Някои електронни таблици съдържат заглавия в първите няколко реда, които описват данните в клетката.
+
+С тези основни елементи на работна книга в Excel ще използваме пример от [Microsoft Templates](https://templates.office.com/), фокусиран върху инвентаризация, за да разгледаме допълнителни части на електронна таблица.
+
+### Управление на инвентаризация
+
+Файлът на електронната таблица, наречен "InventoryExample", е форматирана таблица с артикули в инвентаризацията, която съдържа три работни листа, като табовете са обозначени "Inventory List", "Inventory Pick List" и "Bin Lookup". Ред 4 от работния лист Inventory List е заглавието, което описва стойността на всяка клетка в колоната на заглавието.
+
+![Подчертана формула от примерен инвентарен списък в Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.bg.png)
+
+Има случаи, когато стойността на клетка зависи от стойностите на други клетки, за да се генерира нейната стойност. Работният лист Inventory List следи разходите за всеки артикул в инвентара, но какво ако трябва да знаем стойността на всичко в инвентара? [**Формулите**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) извършват действия върху данните в клетките и се използват за изчисляване на стойността на инвентара в този пример. Тази електронна таблица използва формула в колоната Inventory Value, за да изчисли стойността на всеки артикул, като умножи количеството под заглавието QTY и разходите под заглавието COST. Двойно щракване или маркиране на клетка ще покаже формулата. Ще забележите, че формулите започват със знак за равенство, последван от изчислението или операцията.
+
+![Подчертана функция от примерен инвентарен списък в Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.bg.png)
+
+Можем да използваме друга формула, за да съберем всички стойности на Inventory Value и да получим общата стойност. Това може да бъде изчислено чрез добавяне на всяка клетка, за да се генерира сумата, но това може да бъде трудоемка задача. Excel има [**функции**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), или предварително дефинирани формули за извършване на изчисления върху стойностите на клетките. Функциите изискват аргументи, които са необходимите стойности за извършване на тези изчисления. Когато функциите изискват повече от един аргумент, те трябва да бъдат изброени в определен ред, иначе функцията може да не изчисли правилната стойност. Този пример използва функцията SUM и използва стойностите на Inventory Value като аргумент, за да генерира общата стойност, изброена под ред 3, колона B (наричана още B3).
+
+## NoSQL
+
+NoSQL е общ термин за различните начини за съхранение на нерелационни данни и може да се интерпретира като "не-SQL", "нерелационни" или "не само SQL". Тези типове системи за бази данни могат да бъдат категоризирани в 4 типа.
+
+![Графично представяне на база данни с ключ-стойност, показващо 4 уникални числови ключа, свързани с 4 различни стойности](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.bg.png)
+> Източник от [Блог на Michał Białecki](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Бази данни с ключ-стойност](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) свързват уникални ключове, които са уникален идентификатор, асоцииран със стойност. Тези двойки се съхраняват с помощта на [хеш таблица](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) с подходяща хеш функция.
+
+![Графично представяне на граф база данни, показващо връзките между хора, техните интереси и местоположения](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.bg.png)
+> Източник от [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Граф бази данни](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) описват връзките в данните и са представени като колекция от възли и ръбове. Възелът представлява обект, нещо, което съществува в реалния свят, като студент или банково извлечение. Ръбовете представляват връзката между два обекта. Всеки възел и ръб имат свойства, които предоставят допълнителна информация за тях.
+
+![Графично представяне на колонна база данни, показващо клиентска база данни с две групи колони, наречени Identity и Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.bg.png)
+
+[Колонни](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) бази данни организират данните в колони и редове, подобно на релационна структура, но всяка колона е разделена на групи, наречени семейства колони, където всички данни под една колона са свързани и могат да бъдат извлечени и променени като единица.
+
+### Документни бази данни с Azure Cosmos DB
+
+[Документните](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) бази данни се основават на концепцията за база данни с ключ-стойност и се състоят от серия от полета и обекти. Тази секция ще разгледа документните бази данни с емулатора Cosmos DB.
+
+База данни Cosmos DB отговаря на дефиницията за "не само SQL", където документната база данни на Cosmos DB разчита на SQL за заявяване на данни. [Предишната лекция](../05-relational-databases/README.md) за SQL обхваща основите на езика и ще можем да приложим някои от същите заявки към документна база данни тук. Ще използваме емулатора Cosmos DB, който ни позволява да създаваме и изследваме документна база данни локално на компютър. Прочетете повече за емулатора [тук](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Документът е колекция от полета и стойности на обекти, където полетата описват какво представлява стойността на обекта. По-долу е даден пример за документ.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Полетата от интерес в този документ са: `firstname`, `id` и `age`. Останалите полета с подчертавания са генерирани от Cosmos DB.
+
+#### Изследване на данни с емулатора Cosmos DB
+
+Можете да изтеглите и инсталирате емулатора [за Windows тук](https://aka.ms/cosmosdb-emulator). Вижте тази [документация](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) за опции как да стартирате емулатора за macOS и Linux.
+
+Емулаторът стартира прозорец в браузъра, където изгледът Explorer ви позволява да изследвате документи.
+
+![Изгледът Explorer на емулатора Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.bg.png)
+
+Ако следвате инструкциите, щракнете върху "Start with Sample", за да генерирате примерна база данни, наречена SampleDB. Ако разширите SampleDB, като щракнете върху стрелката, ще намерите контейнер, наречен `Persons`. Контейнерът съдържа колекция от елементи, които са документите в контейнера. Можете да изследвате четирите индивидуални документа под `Items`.
+
+![Изследване на примерни данни в емулатора Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.bg.png)
+
+#### Заявяване на документни данни с емулатора Cosmos DB
+
+Можем също да заявим примерните данни, като щракнем върху бутона за нова SQL заявка (вторият бутон отляво).
+
+`SELECT * FROM c` връща всички документи в контейнера. Нека добавим условие WHERE и намерим всички под 40 години.
+
+`SELECT * FROM c where c.age < 40`
+
+![Изпълнение на SELECT заявка върху примерни данни в емулатора Cosmos DB, за да се намерят документи със стойност на полето age, която е по-малка от 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.bg.png)
+
+Заявката връща два документа, като стойността на полето age за всеки документ е по-малка от 40.
+
+#### JSON и документи
+
+Ако сте запознати с JavaScript Object Notation (JSON), ще забележите, че документите изглеждат подобно на JSON. В тази директория има файл `PersonsData.json` с повече данни, които можете да качите в контейнера Persons в емулатора чрез бутона `Upload Item`.
+
+В повечето случаи API-та, които връщат JSON данни, могат директно да бъдат прехвърлени и съхранени в документни бази данни. По-долу е даден друг документ, който представлява туитове от акаунта на Microsoft в Twitter, извлечени чрез Twitter API и след това добавени в Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Полетата от интерес в този документ са: `created_at`, `id` и `text`.
+
+## 🚀 Предизвикателство
+
+Има файл `TwitterData.json`, който можете да качите в базата данни SampleDB. Препоръчително е да го добавите в отделен контейнер. Това може да се направи, като:
+
+1. Щракнете върху бутона за нов контейнер в горния десен ъгъл
+1. Изберете съществуващата база данни (SampleDB), създайте идентификатор за контейнера
+1. Задайте ключ за разделяне на `/id`
+1. Щракнете върху OK (можете да игнорирате останалата информация в този изглед, тъй като това е малък набор от данни, който се изпълнява локално на вашата машина)
+1. Отворете новия си контейнер и качете файла с Twitter данни чрез бутона `Upload Item`
+
+Опитайте да изпълните няколко SELECT заявки, за да намерите документи, които съдържат Microsoft в полето text. Подсказка: опитайте да използвате [ключовата дума LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Преглед и самостоятелно обучение
+
+- Има допълнителни форматирания и функции, добавени към тази електронна таблица, които тази лекция не обхваща. Microsoft има [голяма библиотека с документация и видеа](https://support.microsoft.com/excel) за Excel, ако се интересувате да научите повече.
+
+- Тази архитектурна документация описва характеристиките на различните типове нерелационни данни: [Нерелационни данни и NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data).
+
+- Cosmos DB е облачна нерелационна база данни, която може също да съхранява различните типове NoSQL, споменати в тази лекция. Научете повече за тези типове в този [Microsoft Learn модул за Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Задание
+
+[Soda Profits](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/06-non-relational/assignment.md b/translations/bg/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..67bff437
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:58:13+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Печалби от сода
+
+## Инструкции
+
+[Електронната таблица на Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) липсва някои изчисления. Вашата задача е:
+
+1. Изчислете брутната печалба за финансовите години '15, '16, '17 и '18
+    - Брутна печалба = Оперативни приходи - Разходи за продадени стоки
+1. Изчислете средната стойност на всички брутни печалби. Опитайте да направите това с функция.
+    - Средна стойност = Сума на брутните печалби, разделена на броя на финансовите години (10)
+    - Документация за [функцията AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Това е Excel файл, но трябва да бъде редактиран във всяка платформа за електронни таблици
+
+[Кредит за източника на данни: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | --- |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/07-python/README.md b/translations/bg/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..de3db82d
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:49:36+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "bg"
+}
+-->
+# Работа с данни: Python и библиотеката Pandas
+
+| ![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :---------------------------------------------------------------------------------------------------: |
+|                 Работа с Python - _Скетч от [@nitya](https://twitter.com/nitya)_                     |
+
+[![Въвеждащо видео](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.bg.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Докато базите данни предлагат много ефективни начини за съхранение на данни и тяхното извличане чрез език за заявки, най-гъвкавият начин за обработка на данни е чрез писане на собствена програма за манипулиране на данни. В много случаи използването на заявка към база данни би било по-ефективно. Въпреки това, когато е необходима по-сложна обработка на данни, тя не може лесно да бъде извършена с SQL. 
+Обработката на данни може да бъде програмирана на всеки език за програмиране, но има определени езици, които са по-високо ниво, когато става въпрос за работа с данни. Обикновено специалистите по данни предпочитат един от следните езици:
+
+* **[Python](https://www.python.org/)**, универсален език за програмиране, който често се счита за един от най-добрите варианти за начинаещи поради своята простота. Python има много допълнителни библиотеки, които могат да ви помогнат да решите много практически проблеми, като например извличане на данни от ZIP архив или конвертиране на изображение в сиви тонове. Освен за обработка на данни, Python често се използва и за уеб разработка. 
+* **[R](https://www.r-project.org/)** е традиционен инструмент, разработен с цел статистическа обработка на данни. Той също така съдържа голямо хранилище от библиотеки (CRAN), което го прави добър избор за обработка на данни. Въпреки това, R не е универсален език за програмиране и рядко се използва извън областта на обработката на данни.
+* **[Julia](https://julialang.org/)** е друг език, разработен специално за обработка на данни. Той е предназначен да предостави по-добра производителност от Python, което го прави отличен инструмент за научни експерименти.
+
+В този урок ще се съсредоточим върху използването на Python за проста обработка на данни. Ще предположим базови познания за езика. Ако искате по-задълбочен курс по Python, можете да се обърнете към някой от следните ресурси:
+
+* [Научете Python по забавен начин с графики на костенурки и фрактали](https://github.com/shwars/pycourse) - Бърз въведение в програмирането с Python, базиран на GitHub
+* [Направете първите си стъпки с Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Учебен път на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Данните могат да бъдат представени в много форми. В този урок ще разгледаме три форми на данни - **таблични данни**, **текст** и **изображения**.
+
+Ще се съсредоточим върху няколко примера за обработка на данни, вместо да ви предоставим пълен преглед на всички свързани библиотеки. Това ще ви позволи да получите основната идея за възможностите и да разберете къде да намерите решения на вашите проблеми, когато имате нужда.
+
+> **Най-полезният съвет**. Когато трябва да извършите определена операция върху данни, която не знаете как да направите, опитайте да я потърсите в интернет. [Stackoverflow](https://stackoverflow.com/) обикновено съдържа много полезни примери за код на Python за много типични задачи. 
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Таблични данни и Dataframes
+
+Вече сте се запознали с таблични данни, когато говорихме за релационни бази данни. Когато имате много данни, и те са съдържани в много различни свързани таблици, определено има смисъл да използвате SQL за работа с тях. Въпреки това, има много случаи, когато имаме таблица с данни и трябва да получим някакво **разбиране** или **информация** за тези данни, като например разпределение, корелация между стойности и т.н. В областта на обработката на данни често се налага да извършваме трансформации на оригиналните данни, последвани от визуализация. И двете стъпки могат лесно да бъдат извършени с Python.
+
+Има две най-полезни библиотеки в Python, които могат да ви помогнат да работите с таблични данни:
+* **[Pandas](https://pandas.pydata.org/)** ви позволява да манипулирате така наречените **Dataframes**, които са аналогични на релационни таблици. Можете да имате именувани колони и да извършвате различни операции върху редове, колони и Dataframes като цяло. 
+* **[Numpy](https://numpy.org/)** е библиотека за работа с **тензори**, т.е. многомерни **масиви**. Масивът има стойности от един и същ основен тип и е по-прост от Dataframe, но предлага повече математически операции и създава по-малко натоварване.
+
+Съществуват и няколко други библиотеки, които трябва да знаете:
+* **[Matplotlib](https://matplotlib.org/)** е библиотека, използвана за визуализация на данни и чертане на графики
+* **[SciPy](https://www.scipy.org/)** е библиотека с допълнителни научни функции. Вече сме се сблъсквали с тази библиотека, когато говорихме за вероятности и статистика
+
+Ето примерен код, който обикновено се използва за импортиране на тези библиотеки в началото на вашата Python програма:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas се основава на няколко основни концепции.
+
+### Series 
+
+**Series** е последователност от стойности, подобна на списък или numpy масив. Основната разлика е, че Series също има **индекс**, и когато работим със Series (например, ги събираме), индексът се взема предвид. Индексът може да бъде толкова прост, колкото цяло число (това е индексът, използван по подразбиране при създаване на Series от списък или масив), или може да има сложна структура, като например интервал от дати.
+
+> **Забележка**: В придружаващия notebook [`notebook.ipynb`](notebook.ipynb) има въведение в Pandas. Тук ще разгледаме само някои примери, но определено можете да проверите пълния notebook.
+
+Да разгледаме пример: искаме да анализираме продажбите на нашия магазин за сладолед. Нека генерираме серия от числа за продажби (брой продадени артикули всеки ден) за определен период от време:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```
+![Графика на времеви серии](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.bg.png)
+
+Сега да предположим, че всяка седмица организираме парти за приятели и вземаме допълнителни 10 опаковки сладолед за партито. Можем да създадем друга серия, индексирана по седмици, за да демонстрираме това:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+Когато съберем двете серии, получаваме общия брой:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Графика на времеви серии](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.bg.png)
+
+> **Забележка**: Не използваме простия синтаксис `total_items+additional_items`. Ако го направим, ще получим много стойности `NaN` (*Not a Number*) в резултатната серия. Това е така, защото липсват стойности за някои точки от индекса в серията `additional_items`, и добавянето на `NaN` към нещо води до `NaN`. Затова трябва да зададем параметъра `fill_value` по време на събирането.
+
+С времеви серии можем също да **преизчислим** серията с различни времеви интервали. Например, ако искаме да изчислим средния обем на продажбите месечно, можем да използваме следния код:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Месечни средни стойности на времеви серии](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.bg.png)
+
+### DataFrame
+
+DataFrame е по същество колекция от серии със същия индекс. Можем да комбинираме няколко серии в DataFrame:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+Това ще създаде хоризонтална таблица като тази:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Можем също да използваме Series като колони и да зададем имена на колоните чрез речник:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+Това ще ни даде таблица като тази:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Забележка**: Можем също да получим този изглед на таблицата чрез транспониране на предишната таблица, например чрез написване 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+Тук `.T` означава операцията на транспониране на DataFrame, т.е. размяна на редове и колони, а операцията `rename` ни позволява да преименуваме колоните, за да съответстват на предишния пример.
+
+Ето някои от най-важните операции, които можем да извършим върху DataFrames:
+
+**Избор на колони**. Можем да изберем отделни колони, като напишем `df['A']` - тази операция връща Series. Можем също да изберем подмножество от колони в друг DataFrame, като напишем `df[['B','A']]` - това връща друг DataFrame.
+
+**Филтриране** само на определени редове по критерии. Например, за да оставим само редовете, където колоната `A` е по-голяма от 5, можем да напишем `df[df['A']>5]`.
+
+> **Забележка**: Начинът, по който работи филтрирането, е следният. Изразът `df['A']<5` връща булева серия, която показва дали изразът е `True` или `False` за всеки елемент от оригиналната серия `df['A']`. Когато булевата серия се използва като индекс, тя връща подмножество от редове в DataFrame. Следователно не е възможно да се използва произволен Python булев израз, например, написването на `df[df['A']>5 and df['A']<7]` би било грешно. Вместо това трябва да използвате специалната операция `&` върху булеви серии, като напишете `df[(df['A']>5) & (df['A']<7)]` (*скобите са важни тук*).
+
+**Създаване на нови изчисляеми колони**. Можем лесно да създадем нови изчисляеми колони за нашия DataFrame, като използваме интуитивен израз като този:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+Този пример изчислява отклонението на A от неговата средна стойност. Това, което всъщност се случва тук, е, че изчисляваме серия и след това я присвояваме на лявата страна, създавайки нова колона. Следователно, не можем да използваме операции, които не са съвместими със серии, например, следният код е грешен:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+Последният пример, макар и синтактично правилен, ни дава грешен резултат, защото присвоява дължината на серията `B` на всички стойности в колоната, а не дължината на отделните елементи, както сме възнамерявали.
+
+Ако трябва да изчислим сложни изрази като този, можем да използваме функцията `apply`. Последният пример може да бъде написан по следния начин:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+След горните операции ще получим следния DataFrame:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Избор на редове по номера** може да бъде направен с конструкцията `iloc`. Например, за да изберем първите 5 реда от DataFrame:
+```python
+df.iloc[:5]
+```
+
+**Групиране** често се използва за получаване на резултат, подобен на *сводни таблици* в Excel. Да предположим, че искаме да изчислим средната стойност на колоната `A` за всяка дадена стойност на `LenB`. Тогава можем да групираме нашия DataFrame по `LenB` и да извикаме `mean`:
+```python
+df.groupby(by='LenB').mean()
+```
+Ако трябва да изчислим средната стойност и броя на елементите в групата, тогава можем да използваме по-сложната функция `aggregate`:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+Това ни дава следната таблица:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Получаване на данни
+Вече видяхме колко лесно е да създаваме Series и DataFrames от Python обекти. Въпреки това, данните обикновено идват под формата на текстов файл или Excel таблица. За щастие, Pandas ни предлага лесен начин за зареждане на данни от диска. Например, четенето на CSV файл е толкова просто, колкото това:
+```python
+df = pd.read_csv('file.csv')
+```
+Ще видим още примери за зареждане на данни, включително извличането им от външни уебсайтове, в секцията "Предизвикателство".
+
+### Печатане и визуализация
+
+Данните често трябва да бъдат изследвани от Data Scientist, затова е важно да можем да ги визуализираме. Когато DataFrame е голям, често искаме просто да се уверим, че всичко върви правилно, като отпечатаме първите няколко реда. Това може да се направи чрез извикване на `df.head()`. Ако го изпълнявате от Jupyter Notebook, DataFrame ще бъде отпечатан в удобен табличен формат.
+
+Вече видяхме използването на функцията `plot` за визуализация на някои колони. Докато `plot` е много полезен за много задачи и поддържа различни типове графики чрез параметъра `kind=`, винаги можете да използвате библиотеката `matplotlib`, за да създадете нещо по-сложно. Ще разгледаме визуализацията на данни подробно в отделни уроци.
+
+Този преглед обхваща най-важните концепции на Pandas, но библиотеката е много богата и няма ограничения за това, което можете да направите с нея! Нека сега приложим тези знания за решаване на конкретен проблем.
+
+## 🚀 Предизвикателство 1: Анализ на разпространението на COVID
+
+Първият проблем, върху който ще се фокусираме, е моделирането на епидемичното разпространение на COVID-19. За да направим това, ще използваме данни за броя на заразените лица в различни страни, предоставени от [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) към [Johns Hopkins University](https://jhu.edu/). Данните са достъпни в [този GitHub репозиторий](https://github.com/CSSEGISandData/COVID-19).
+
+Тъй като искаме да демонстрираме как да работим с данни, ви каним да отворите [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) и да го прочетете от началото до края. Можете също да изпълните клетките и да решите някои предизвикателства, които сме оставили за вас в края.
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.bg.png)
+
+> Ако не знаете как да изпълнявате код в Jupyter Notebook, разгледайте [тази статия](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## Работа с неструктурирани данни
+
+Докато данните често идват в табличен формат, в някои случаи трябва да работим с по-малко структурирани данни, например текст или изображения. В този случай, за да приложим техниките за обработка на данни, които видяхме по-горе, трябва по някакъв начин **да извлечем** структурирани данни. Ето няколко примера:
+
+* Извличане на ключови думи от текст и анализ на честотата на появата им
+* Използване на невронни мрежи за извличане на информация за обекти на изображението
+* Получаване на информация за емоциите на хората от видео поток
+
+## 🚀 Предизвикателство 2: Анализ на научни статии за COVID
+
+В това предизвикателство ще продължим с темата за пандемията COVID и ще се фокусираме върху обработката на научни статии по темата. Съществува [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) с над 7000 (към момента на писане) статии за COVID, достъпни с метаданни и резюмета (а за около половината от тях има и пълни текстове).
+
+Пълен пример за анализ на този набор от данни с помощта на [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) е описан [в този блог пост](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Ще обсъдим опростена версия на този анализ.
+
+> **NOTE**: Не предоставяме копие на набора от данни като част от този репозиторий. Може да се наложи първо да изтеглите файла [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) от [този набор от данни в Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Може да се изисква регистрация в Kaggle. Можете също да изтеглите набора от данни без регистрация [оттук](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), но той ще включва всички пълни текстове в допълнение към файла с метаданни.
+
+Отворете [`notebook-papers.ipynb`](notebook-papers.ipynb) и го прочетете от началото до края. Можете също да изпълните клетките и да решите някои предизвикателства, които сме оставили за вас в края.
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.bg.png)
+
+## Обработка на данни от изображения
+
+Напоследък са разработени много мощни AI модели, които ни позволяват да разбираме изображения. Има много задачи, които могат да бъдат решени с помощта на предварително обучени невронни мрежи или облачни услуги. Някои примери включват:
+
+* **Класификация на изображения**, която може да ви помогне да категоризирате изображението в една от предварително дефинираните категории. Можете лесно да обучите свои собствени класификатори на изображения, използвайки услуги като [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum)
+* **Откриване на обекти**, за да откриете различни обекти на изображението. Услуги като [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) могат да откриват редица често срещани обекти, а можете да обучите модел [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum), за да откривате специфични обекти от интерес.
+* **Откриване на лица**, включително възраст, пол и емоции. Това може да се направи чрез [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).
+
+Всички тези облачни услуги могат да бъдат извикани с помощта на [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) и следователно лесно могат да бъдат включени във вашия работен процес за изследване на данни.
+
+Ето някои примери за изследване на данни от източници на изображения:
+* В блог поста [Как да учим Data Science без програмиране](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) изследваме снимки от Instagram, опитвайки се да разберем какво кара хората да харесват повече дадена снимка. Първо извличаме колкото се може повече информация от снимките, използвайки [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), и след това използваме [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum), за да изградим интерпретируем модел.
+* В [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) използваме [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum), за да извлечем емоции на хората на снимки от събития, за да се опитаме да разберем какво прави хората щастливи.
+
+## Заключение
+
+Независимо дали вече имате структурирани или неструктурирани данни, с помощта на Python можете да изпълните всички стъпки, свързани с обработката и разбирането на данни. Това вероятно е най-гъвкавият начин за обработка на данни, и затова мнозинството от специалистите по данни използват Python като основен инструмент. Да изучите Python в дълбочина вероятно е добра идея, ако сте сериозни за вашето пътуване в света на Data Science!
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## Преглед и самостоятелно обучение
+
+**Книги**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**Онлайн ресурси**
+* Официален [10 минути с Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) урок
+* [Документация за визуализация с Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Изучаване на Python**
+* [Научете Python по забавен начин с Turtle Graphics и фрактали](https://github.com/shwars/pycourse)
+* [Направете първите си стъпки с Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) учебен път на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+## Задача
+
+[Извършете по-подробно изследване на данни за горните предизвикателства](assignment.md)
+
+## Кредити
+
+Този урок е създаден с ♥️ от [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/07-python/assignment.md b/translations/bg/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..d70b37f1
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:52:09+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Задание за обработка на данни с Python
+
+В това задание ще ви помолим да доразвиете кода, който започнахме да разработваме в нашите предизвикателства. Заданието се състои от две части:
+
+## Моделиране на разпространението на COVID-19
+
+ - [ ] Начертайте графики на *R* за 5-6 различни държави на един график за сравнение или използвайте няколко графики една до друга.
+ - [ ] Вижте как броят на смъртните случаи и възстановяванията корелира с броя на заразените случаи.
+ - [ ] Разберете колко дълго трае типичното заболяване, като визуално корелирате процента на заразяване и процента на смъртност и търсите някои аномалии. Може да се наложи да разгледате различни държави, за да установите това.
+ - [ ] Изчислете смъртността и как тя се променя с времето. *Може да искате да вземете предвид продължителността на заболяването в дни, за да изместите една времева серия преди извършване на изчисленията.*
+
+## Анализ на научни статии за COVID-19
+
+- [ ] Изградете матрица на съвместна поява на различни медикаменти и вижте кои медикаменти често се споменават заедно (т.е. в един и същ абзац). Можете да модифицирате кода за изграждане на матрица на съвместна поява за медикаменти и диагнози.
+- [ ] Визуализирайте тази матрица с помощта на heatmap.
+- [ ] Като допълнителна цел, визуализирайте съвместната поява на медикаменти, използвайки [chord диаграма](https://en.wikipedia.org/wiki/Chord_diagram). [Тази библиотека](https://pypi.org/project/chord/) може да ви помогне да начертаете chord диаграма.
+- [ ] Като друга допълнителна цел, извлечете дозировките на различни медикаменти (като **400mg** в *вземайте 400mg хлорохин дневно*) с помощта на регулярни изрази и изградете dataframe, който показва различните дозировки за различните медикаменти. **Забележка**: вземете предвид числовите стойности, които са в близост до името на медикамента в текста.
+
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | -- |
+Всички задачи са изпълнени, графично илюстрирани и обяснени, включително поне една от двете допълнителни цели | Повече от 5 задачи са изпълнени, но не са опитани допълнителни цели или резултатите не са ясни | По-малко от 5 (но повече от 3) задачи са изпълнени, визуализациите не помагат за демонстриране на точката
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/08-data-preparation/README.md b/translations/bg/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..2cb0cf3b
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:40:18+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "bg"
+}
+-->
+# Работа с данни: Подготовка на данни
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Подготовка на данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+В зависимост от източника си, суровите данни може да съдържат несъответствия, които създават предизвикателства при анализа и моделирането. С други думи, тези данни могат да бъдат категоризирани като „замърсени“ и ще трябва да бъдат почистени. Тази лекция се фокусира върху техники за почистване и трансформиране на данни, за да се справим с предизвикателствата, свързани с липсващи, неточни или непълни данни. Темите, разгледани в тази лекция, ще използват Python и библиотеката Pandas и ще бъдат [демонстрирани в тетрадката](notebook.ipynb) в тази директория.
+
+## Значението на почистването на данни
+
+- **Лесна употреба и повторна употреба**: Когато данните са правилно организирани и нормализирани, те са по-лесни за търсене, използване и споделяне с други.
+
+- **Последователност**: Науката за данни често изисква работа с повече от един набор от данни, където набори от данни от различни източници трябва да бъдат обединени. Увереността, че всеки отделен набор от данни има обща стандартизация, гарантира, че данните остават полезни, когато всички те се обединят в един набор от данни.
+
+- **Точност на модела**: Почистените данни подобряват точността на моделите, които разчитат на тях.
+
+## Често срещани цели и стратегии за почистване
+
+- **Изследване на набор от данни**: Изследването на данни, което е разгледано в [по-късна лекция](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), може да ви помогне да откриете данни, които трябва да бъдат почистени. Визуалното наблюдение на стойностите в набор от данни може да създаде очаквания за това как изглежда останалата част от него или да даде представа за проблемите, които могат да бъдат решени. Изследването може да включва основни заявки, визуализации и вземане на проби.
+
+- **Форматиране**: В зависимост от източника, данните може да имат несъответствия в начина, по който са представени. Това може да създаде проблеми при търсенето и представянето на стойностите, където те се виждат в набора от данни, но не са правилно представени във визуализации или резултати от заявки. Често срещаните проблеми с форматирането включват премахване на празни пространства, дати и типове данни. Решаването на проблеми с форматирането обикновено зависи от хората, които използват данните. Например стандартите за представяне на дати и числа могат да се различават в различните държави.
+
+- **Дублиране**: Данни с повече от едно повторение могат да доведат до неточни резултати и обикновено трябва да бъдат премахнати. Това може да бъде често срещано явление при обединяване на два или повече набора от данни. Въпреки това, има случаи, когато дублирането в обединени набори от данни съдържа части, които могат да предоставят допълнителна информация и може да се наложи да бъдат запазени.
+
+- **Липсващи данни**: Липсващите данни могат да доведат до неточности, както и до слаби или пристрастни резултати. Понякога те могат да бъдат решени чрез „презареждане“ на данните, попълване на липсващите стойности с изчисления и код като Python или просто премахване на стойността и съответните данни. Има много причини, поради които данните може да липсват, и действията, които се предприемат за решаване на тези липсващи стойности, могат да зависят от това как и защо са изчезнали.
+
+## Изследване на информацията в DataFrame
+> **Цел на обучението:** До края на този раздел трябва да сте уверени в намирането на обща информация за данните, съхранявани в pandas DataFrames.
+
+След като заредите данните си в pandas, те най-вероятно ще бъдат в DataFrame (вижте предишния [урок](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) за подробен преглед). Но ако наборът от данни в DataFrame има 60,000 реда и 400 колони, откъде да започнете, за да разберете с какво работите? За щастие, [pandas](https://pandas.pydata.org/) предоставя удобни инструменти за бързо разглеждане на общата информация за DataFrame, както и за първите и последните няколко реда.
+
+За да изследваме тази функционалност, ще импортираме библиотеката Python scikit-learn и ще използваме емблематичен набор от данни: **Iris dataset**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: За начало, методът `info()` се използва за отпечатване на обобщение на съдържанието в `DataFrame`. Нека разгледаме този набор от данни, за да видим какво имаме:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+От това знаем, че наборът от данни *Iris* има 150 записа в четири колони без липсващи записи. Всички данни са съхранени като 64-битови числа с плаваща запетая.
+
+- **DataFrame.head()**: След това, за да проверим действителното съдържание на `DataFrame`, използваме метода `head()`. Нека видим как изглеждат първите няколко реда на нашия `iris_df`:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Обратно, за да проверим последните няколко реда на `DataFrame`, използваме метода `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Извод:** Дори само като разгледате метаданните за информацията в DataFrame или първите и последните няколко стойности в него, можете веднага да получите представа за размера, формата и съдържанието на данните, с които работите.
+
+## Работа с липсващи данни
+> **Цел на обучението:** До края на този раздел трябва да знаете как да заменяте или премахвате null стойности от DataFrames.
+
+Повечето от времето наборите от данни, които искате (или трябва) да използвате, съдържат липсващи стойности. Начинът, по който се обработват липсващите данни, носи със себе си фини компромиси, които могат да повлияят на крайния ви анализ и реалните резултати.
+
+Pandas обработва липсващите стойности по два начина. Първият, който сте виждали в предишни раздели, е `NaN`, или Not a Number. Това всъщност е специална стойност, която е част от спецификацията на IEEE за числа с плаваща запетая и се използва само за обозначаване на липсващи стойности с плаваща запетая.
+
+За липсващи стойности, различни от числа с плаваща запетая, pandas използва обекта `None` на Python. Макар че може да изглежда объркващо, че ще срещнете два различни вида стойности, които казват по същество едно и също, има основателни програмни причини за този дизайн и, на практика, този подход позволява на pandas да предостави добро решение за огромното мнозинство от случаи. Независимо от това, както `None`, така и `NaN` имат ограничения, които трябва да имате предвид по отношение на начина, по който могат да бъдат използвани.
+
+Научете повече за `NaN` и `None` от [тетрадката](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Откриване на null стойности**: В `pandas`, методите `isnull()` и `notnull()` са основните ви методи за откриване на null данни. И двата връщат булеви маски върху вашите данни. Ще използваме `numpy` за стойности `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Внимателно разгледайте изхода. Нещо изненадва ли ви? Макар че `0` е аритметичен null, той все пак е напълно валидно цяло число и pandas го третира като такова. `''` е малко по-фино. Макар че го използвахме в Раздел 1, за да представим празна стойност на низ, той все пак е обект от тип низ и не е представяне на null според pandas.
+
+Сега нека обърнем това и използваме тези методи по начин, по който ще ги използвате на практика. Можете да използвате булеви маски директно като индекс на ``Series`` или ``DataFrame``, което може да бъде полезно, когато се опитвате да работите с изолирани липсващи (или налични) стойности.
+
+> **Извод:** И методите `isnull()`, и `notnull()` дават подобни резултати, когато ги използвате в `DataFrame`: те показват резултатите и индекса на тези резултати, което ще ви помогне значително, докато се борите с вашите данни.
+
+- **Премахване на null стойности**: Освен идентифициране на липсващи стойности, pandas предоставя удобен начин за премахване на null стойности от `Series` и `DataFrame`. (Особено при големи набори от данни, често е по-препоръчително просто да премахнете липсващите [NA] стойности от анализа си, отколкото да се справяте с тях по други начини.) За да видим това в действие, нека се върнем към `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Обърнете внимание, че това трябва да изглежда като вашия изход от `example3[example3.notnull()]`. Разликата тук е, че вместо просто да индексира върху маскираните стойности, `dropna` е премахнал тези липсващи стойности от `Series` `example1`.
+
+Тъй като `DataFrame` има две измерения, те предоставят повече опции за премахване на данни.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Забелязахте ли, че pandas преобразува две от колоните в числа с плаваща запетая, за да се справи с `NaN`?)
+
+Не можете да премахнете единична стойност от `DataFrame`, така че трябва да премахнете цели редове или колони. В зависимост от това, което правите, може да искате да направите едното или другото, и затова pandas ви дава опции за двете. Тъй като в науката за данни колоните обикновено представляват променливи, а редовете представляват наблюдения, по-вероятно е да премахнете редове от данни; настройката по подразбиране за `dropna()` е да премахне всички редове, които съдържат null стойности:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Ако е необходимо, можете да премахнете NA стойности от колони. Използвайте `axis=1`, за да го направите:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Забележете, че това може да премахне много данни, които може да искате да запазите, особено в по-малки набори от данни. Какво ако искате да премахнете само редове или колони, които съдържат няколко или дори всички null стойности? Можете да зададете тези настройки в `dropna` с параметрите `how` и `thresh`.
+
+По подразбиране, `how='any'` (ако искате да проверите сами или да видите какви други параметри има методът, изпълнете `example4.dropna?` в кодова клетка). Можете алтернативно да зададете `how='all'`, за да премахнете само редове или колони, които съдържат всички null стойности. Нека разширим нашия пример `DataFrame`, за да видим това в действие.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+Параметърът `thresh` ви дава по-фин контрол: задавате броя на *не-null* стойностите, които ред или колона трябва да има, за да бъде запазен:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Тук първият и последният ред са премахнати, защото съдържат само две не-null стойности.
+
+- **Попълване на null стойности**: В зависимост от вашия набор от данни, понякога може да има повече смисъл да попълните null стойности с валидни, вместо да ги премахнете. Можете да използвате `isnull`, за да направите това на място, но това може да бъде трудоемко, особено ако имате много стойности за попълване. Тъй като това е толкова често срещана задача в науката за данни, pandas предоставя `fillna`, който връща копие на `Series` или `DataFrame` с липсващите стойности, заменени с избрана от вас стойност. Нека създадем друг пример `Series`, за да видим как това работи на практика.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Можете да попълните всички null записи с една стойност, като например `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Можете да **попълните напред** null стойности, като използвате последната валидна стойност, за да попълните null:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+Можете също така да **попълните назад**, за да разпространите следващата валидна стойност назад, за да попълните null:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Както може да предположите, това работи същото с `DataFrame`, но можете също така да зададете `axis`, по който да попълните null стойности. Вземайки отново използвания `example2`:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Забележете, че когато предишна стойност не е налична за попълване напред, null стойността остава.
+> **Основна идея:** Има множество начини за справяне с липсващи стойности в наборите ви от данни. Конкретната стратегия, която използвате (премахване, заместване или дори как точно ги замествате), трябва да бъде продиктувана от спецификата на данните. Ще развиете по-добро усещане за това как да се справяте с липсващи стойности, колкото повече работите и взаимодействате с набори от данни.
+
+## Премахване на дублирани данни
+
+> **Цел на обучението:** До края на този подраздел трябва да се чувствате уверени в идентифицирането и премахването на дублирани стойности от DataFrame.
+
+Освен липсващи данни, често ще се сблъсквате с дублирани данни в реални набори от данни. За щастие, `pandas` предоставя лесен начин за откриване и премахване на дублирани записи.
+
+- **Идентифициране на дубликати: `duplicated`**: Можете лесно да откриете дублирани стойности, използвайки метода `duplicated` в pandas, който връща булева маска, указваща дали даден запис в `DataFrame` е дубликат на по-ранен. Нека създадем още един примерен `DataFrame`, за да видим това в действие.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Премахване на дубликати: `drop_duplicates`:** просто връща копие на данните, за които всички стойности на `duplicated` са `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+И `duplicated`, и `drop_duplicates` по подразбиране разглеждат всички колони, но можете да зададете да се изследва само подмножество от колони във вашия `DataFrame`:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Основна идея:** Премахването на дублирани данни е съществена част от почти всеки проект в областта на науката за данни. Дублираните данни могат да променят резултатите от вашите анализи и да ви дадат неточни резултати!
+
+
+## 🚀 Предизвикателство
+
+Всички обсъдени материали са предоставени като [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Освен това, след всяка секция има упражнения – опитайте ги!
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Преглед и самостоятелно обучение
+
+Има много начини за откриване и подход към подготовката на данните ви за анализ и моделиране, а почистването на данните е важна стъпка, която изисква "практически" опит. Опитайте тези предизвикателства от Kaggle, за да изследвате техники, които този урок не е обхванал.
+
+- [Предизвикателство за почистване на данни: Парсиране на дати](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Предизвикателство за почистване на данни: Скалиране и нормализиране на данни](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Задача
+
+[Оценка на данни от формуляр](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/08-data-preparation/assignment.md b/translations/bg/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..1a61b72a
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:42:03+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Оценяване на данни от формуляр
+
+Клиент е тествал [малък формуляр](../../../../2-Working-With-Data/08-data-preparation/index.html), за да събере основна информация за своята клиентска база. Те са ви предоставили своите резултати, за да валидирате събраните данни. Можете да отворите страницата `index.html` в браузъра, за да разгледате формуляра.
+
+На ваше разположение е [набор от csv записи](../../../../data/form.csv), който съдържа въведените данни от формуляра, както и някои основни визуализации. Клиентът е отбелязал, че някои от визуализациите изглеждат некоректни, но не знае как да ги коригира. Можете да ги разгледате в [тетрадката за задачата](assignment.ipynb).
+
+## Инструкции
+
+Използвайте техниките от този урок, за да дадете препоръки относно формуляра, така че той да събира точна и последователна информация.
+
+## Рубрика
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | ---
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/2-Working-With-Data/README.md b/translations/bg/2-Working-With-Data/README.md
new file mode 100644
index 00000000..8a4f62ac
--- /dev/null
+++ b/translations/bg/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:28:05+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "bg"
+}
+-->
+# Работа с данни
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.bg.jpg)
+> Снимка от <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> на <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+В тези уроци ще научите някои от начините, по които данните могат да бъдат управлявани, манипулирани и използвани в приложения. Ще се запознаете с релационни и нерелационни бази данни и как данните могат да се съхраняват в тях. Ще научите основите на работата с Python за управление на данни и ще откриете някои от многото начини, по които можете да използвате Python за управление и анализ на данни.
+
+### Теми
+
+1. [Релационни бази данни](05-relational-databases/README.md)
+2. [Нерелационни бази данни](06-non-relational/README.md)
+3. [Работа с Python](07-python/README.md)
+4. [Подготовка на данни](08-data-preparation/README.md)
+
+### Автори
+
+Тези уроци са написани с ❤️ от [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) и [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/09-visualization-quantities/README.md b/translations/bg/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..5bfc1b3e
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:26:04+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на количества
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Визуализиране на количества - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В този урок ще изследвате как да използвате една от многото налични библиотеки на Python, за да научите как да създавате интересни визуализации, свързани с концепцията за количество. Използвайки почистен набор от данни за птиците в Минесота, можете да научите много интересни факти за местната дива природа.  
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Наблюдавайте размах на крилата с Matplotlib
+
+Отлична библиотека за създаване както на прости, така и на сложни графики и диаграми от различен вид е [Matplotlib](https://matplotlib.org/stable/index.html). В общи линии, процесът на визуализиране на данни с тези библиотеки включва идентифициране на частите от вашия dataframe, които искате да използвате, извършване на необходимите трансформации върху тези данни, задаване на стойности за x и y осите, избор на типа диаграма и след това показване на графиката. Matplotlib предлага голямо разнообразие от визуализации, но за този урок ще се фокусираме върху най-подходящите за визуализиране на количества: линейни диаграми, разсейващи диаграми (scatterplots) и стълбовидни диаграми.
+
+> ✅ Използвайте най-подходящата диаграма според структурата на вашите данни и историята, която искате да разкажете.  
+> - За анализ на тенденции във времето: линейна диаграма  
+> - За сравнение на стойности: стълбовидна, колонна, кръгова диаграма, разсейваща диаграма  
+> - За показване на връзката между частите и цялото: кръгова диаграма  
+> - За показване на разпределението на данни: разсейваща диаграма, стълбовидна диаграма  
+> - За показване на тенденции: линейна, колонна диаграма  
+> - За показване на връзки между стойности: линейна диаграма, разсейваща диаграма, балонна диаграма  
+
+Ако разполагате с набор от данни и искате да разберете колко от даден елемент са включени, една от първите задачи ще бъде да инспектирате стойностите му.  
+
+✅ Има много добри 'cheat sheets' за Matplotlib, налични [тук](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Създайте линейна диаграма за стойностите на размаха на крилата на птиците
+
+Отворете файла `notebook.ipynb` в основната папка на този урок и добавете клетка.
+
+> Забележка: данните са съхранени в основната папка на това хранилище в `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Тези данни са комбинация от текст и числа:
+
+|      | Име                          | Научно име             | Категория             | Разред       | Семейство | Род         | Статус на опазване | Мин. дължина | Макс. дължина | Мин. тегло | Макс. тегло | Мин. размах | Макс. размах |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Черно-коремна свиреща патица | Dendrocygna autumnalis | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Ръждива свиреща патица       | Dendrocygna bicolor    | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Снежна гъска                 | Anser caerulescens     | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Гъска на Рос                 | Anser rossii           | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Голяма бяла гъска            | Anser albifrons        | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Нека започнем с визуализиране на някои от числовите данни, използвайки основна линейна диаграма. Да предположим, че искате да видите максималния размах на крилата на тези интересни птици.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Макс. размах на крилата](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.bg.png)
+
+Какво забелязвате веднага? Изглежда, че има поне един аутлайър – това е доста голям размах на крилата! Размах от 2300 сантиметра е равен на 23 метра – дали в Минесота се разхождат птеродактили? Нека разследваме.
+
+Въпреки че можете бързо да сортирате данните в Excel, за да намерите тези аутлайъри, които вероятно са печатни грешки, продължете процеса на визуализация, работейки директно с графиката.
+
+Добавете етикети към x-оста, за да покажете за какви птици става въпрос:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![размах с етикети](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.bg.png)
+
+Дори с ротация на етикетите на 45 градуса, те са твърде много, за да се четат. Нека опитаме различна стратегия: етикетирайте само аутлайърите и поставете етикетите в самата диаграма. Можете да използвате разсейваща диаграма, за да направите повече място за етикетите:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Какво се случва тук? Използвахте `tick_params`, за да скриете долните етикети, и след това създадохте цикъл върху набора от данни за птиците. Чрез диаграма с малки сини точки (`bo`), проверихте за всяка птица с максимален размах на крилата над 500 и показахте етикета ѝ до точката, ако е така. Преместихте етикетите малко по y-оста (`y * (1 - 0.05)`) и използвахте името на птицата като етикет.
+
+Какво открихте?
+
+![аутлайъри](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.bg.png)  
+## Филтрирайте данните си
+
+И Белоглавият орел, и Прерийният сокол, макар вероятно много големи птици, изглежда са неправилно етикетирани, с добавена допълнителна `0` към максималния им размах на крилата. Малко вероятно е да срещнете Белоглав орел с размах на крилата от 25 метра, но ако го направите, моля, уведомете ни! Нека създадем нов dataframe без тези два аутлайъра:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Чрез филтриране на аутлайърите, данните ви сега са по-цялостни и разбираеми.
+
+![разсейваща диаграма на размаха](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.bg.png)  
+
+Сега, когато имаме по-чист набор от данни поне по отношение на размаха на крилата, нека открием повече за тези птици.
+
+Докато линейните и разсейващите диаграми могат да показват информация за стойностите на данните и техните разпределения, искаме да помислим за стойностите, присъщи на този набор от данни. Можете да създадете визуализации, за да отговорите на следните въпроси за количествата:
+
+> Колко категории птици има и какви са техните бройки?  
+> Колко птици са изчезнали, застрашени, редки или често срещани?  
+> Колко има от различните родове и разреди според терминологията на Линей?  
+## Изследвайте стълбовидни диаграми
+
+Стълбовидните диаграми са практични, когато трябва да покажете групиране на данни. Нека изследваме категориите птици, които съществуват в този набор от данни, за да видим коя е най-често срещаната по брой.
+
+Във файла на тетрадката създайте основна стълбовидна диаграма.
+
+✅ Забележка: Можете или да филтрирате двете птици аутлайъри, които идентифицирахме в предишния раздел, да редактирате печатната грешка в техния размах на крилата, или да ги оставите за тези упражнения, които не зависят от стойностите на размаха.
+
+Ако искате да създадете стълбовидна диаграма, можете да изберете данните, върху които искате да се фокусирате. Стълбовидните диаграми могат да бъдат създадени от сурови данни:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![пълни данни като стълбовидна диаграма](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.bg.png)  
+
+Тази стълбовидна диаграма обаче е нечетлива, защото има твърде много негрупирани данни. Трябва да изберете само данните, които искате да визуализирате, така че нека разгледаме дължината на птиците въз основа на тяхната категория.
+
+Филтрирайте данните си, за да включват само категорията на птиците.
+
+✅ Забележете, че използвате Pandas за управление на данните, а след това оставяте Matplotlib да създаде диаграмата.
+
+Тъй като има много категории, можете да покажете тази диаграма вертикално и да коригирате височината ѝ, за да обхване всички данни:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![категория и дължина](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.bg.png)  
+
+Тази стълбовидна диаграма показва добър изглед на броя птици във всяка категория. С един поглед виждате, че най-големият брой птици в този регион са в категорията Патици/Гъски/Водоплаващи. Минесота е "земята на 10,000 езера", така че това не е изненадващо!
+
+✅ Опитайте някои други преброявания върху този набор от данни. Изненадва ли ви нещо?
+
+## Сравняване на данни
+
+Можете да опитате различни сравнения на групирани данни, като създадете нови оси. Опитайте сравнение на максималната дължина на птица, базирано на нейната категория:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![сравняване на данни](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.bg.png)  
+
+Нищо изненадващо тук: колибритата имат най-малка максимална дължина в сравнение с пеликаните или гъските. Добре е, когато данните имат логически смисъл!
+
+Можете да създадете по-интересни визуализации на стълбовидни диаграми, като наслагвате данни. Нека наслагаме минималната и максималната дължина за дадена категория птици:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+В тази диаграма можете да видите диапазона за всяка категория птици на минималната и максималната дължина. Можете спокойно да кажете, че според тези данни, колкото по-голяма е птицата, толкова по-голям е диапазонът на дължината ѝ. Интересно!
+
+![наслагване на стойности](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.bg.png)  
+
+## 🚀 Предизвикателство
+
+Този набор от данни за птици предлага богатство от информация за различни видове птици в определена екосистема. Потърсете в интернет и вижте дали можете да намерите други набори от данни, свързани с птици. Практикувайте създаването на диаграми и графики за тези птици, за да откриете факти, които не сте осъзнавали.  
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Преглед и самостоятелно обучение
+
+Този първи урок ви даде информация за това как да използвате Matplotlib за визуализиране на количества. Направете проучване за други начини за работа с набори от данни за визуализация. [Plotly](https://github.com/plotly/plotly.py) е една от библиотеките, които няма да разгледаме в тези уроци, така че разгледайте какво може да предложи.  
+## Задача
+
+[Линии, разсейвания и стълбове](assignment.md)  
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/bg/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..bfa2259f
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:27:18+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Линии, Разпръснати точки и Ленти
+
+## Инструкции
+
+В този урок работихте с линейни графики, разпръснати точки и лентови диаграми, за да покажете интересни факти за този набор от данни. В това задание се задълбочете в набора от данни, за да откриете факт за даден вид птица. Например, създайте тетрадка, визуализираща всички интересни данни, които можете да откриете за снежните гъски. Използвайте трите гореспоменати графики, за да разкажете история във вашата тетрадка.
+
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | -- |
+Представена е тетрадка с добри пояснения, солидно разказване на история и привлекателни графики | Тетрадката липсва един от тези елементи | Тетрадката липсва два от тези елементи
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/10-visualization-distributions/README.md b/translations/bg/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..4cdcb095
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,216 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:51:56+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на разпределения
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Визуализиране на разпределения - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В предишния урок научихте някои интересни факти за набор от данни за птиците в Минесота. Открихте грешни данни чрез визуализиране на отклонения и разгледахте разликите между категориите птици според тяхната максимална дължина.
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Изследване на набора от данни за птиците
+
+Друг начин за анализиране на данни е като се разгледа тяхното разпределение, или как данните са организирани по дадена ос. Например, може би искате да научите за общото разпределение в този набор от данни на максималния размах на крилата или максималната телесна маса на птиците в Минесота.
+
+Нека открием някои факти за разпределенията на данните в този набор. Във файла _notebook.ipynb_ в основната папка на този урок, импортирайте Pandas, Matplotlib и вашите данни:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Име                          | Научно име            | Категория             | Разред       | Семейство | Род         | Статус на опазване | Мин. дължина | Макс. дължина | Мин. телесна маса | Макс. телесна маса | Мин. размах на крилата | Макс. размах на крилата |
+| ---: | :--------------------------- | :-------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Черно-коремна свиреща патица | Dendrocygna autumnalis | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Ръждива свиреща патица       | Dendrocygna bicolor    | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Снежна гъска                 | Anser caerulescens     | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Гъска на Рос                 | Anser rossii           | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Голямо бяло-чело гъска       | Anser albifrons        | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Обикновено можете бързо да разгледате начина, по който данните са разпределени, като използвате точкова диаграма, както направихме в предишния урок:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![максимална дължина по разред](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.bg.png)
+
+Това дава общ преглед на разпределението на дължината на тялото по разред на птиците, но не е оптималният начин за показване на истински разпределения. Тази задача обикновено се изпълнява чрез създаване на хистограма.
+## Работа с хистограми
+
+Matplotlib предлага много добри начини за визуализиране на разпределението на данни чрез хистограми. Този тип диаграма е подобен на стълбовидна диаграма, където разпределението може да се види чрез покачването и спадането на стълбовете. За да създадете хистограма, ви трябват числови данни. За да създадете хистограма, можете да начертаете диаграма, като зададете типа като 'hist' за хистограма. Тази диаграма показва разпределението на MaxBodyMass за целия набор от числови данни. Като разделя масива от данни на по-малки групи, тя може да покаже разпределението на стойностите на данните:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![разпределение за целия набор от данни](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.bg.png)
+
+Както виждате, повечето от 400+ птици в този набор от данни попадат в диапазона под 2000 за тяхната максимална телесна маса. Получете повече информация за данните, като промените параметъра `bins` на по-голямо число, например 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![разпределение за целия набор от данни с по-голям параметър bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.bg.png)
+
+Тази диаграма показва разпределението по малко по-гранулиран начин. Диаграма, която е по-малко изкривена наляво, може да бъде създадена, като се уверите, че избирате само данни в даден диапазон:
+
+Филтрирайте данните си, за да получите само тези птици, чиято телесна маса е под 60, и покажете 40 `bins`:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![филтрирана хистограма](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.bg.png)
+
+✅ Опитайте някои други филтри и точки от данни. За да видите пълното разпределение на данните, премахнете филтъра `['MaxBodyMass']`, за да покажете етикетирани разпределения.
+
+Хистограмата предлага някои приятни подобрения в цветовете и етикетирането, които също можете да опитате:
+
+Създайте 2D хистограма, за да сравните връзката между две разпределения. Нека сравним `MaxBodyMass` срещу `MaxLength`. Matplotlib предлага вграден начин за показване на сближаване чрез по-ярки цветове:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Изглежда, че има очаквана корелация между тези два елемента по очаквана ос, с една особено силна точка на сближаване:
+
+![2D диаграма](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.bg.png)
+
+Хистограмите работят добре по подразбиране за числови данни. Ами ако трябва да видите разпределения според текстови данни? 
+## Изследване на набора от данни за разпределения с текстови данни 
+
+Този набор от данни включва също добра информация за категорията на птиците, техния род, вид и семейство, както и за статуса им на опазване. Нека разгледаме тази информация за опазване. Какво е разпределението на птиците според техния статус на опазване?
+
+> ✅ В набора от данни се използват няколко съкращения за описание на статуса на опазване. Тези съкращения идват от [IUCN Red List Categories](https://www.iucnredlist.org/), организация, която каталогизира статуса на видовете.
+> 
+> - CR: Критично застрашен
+> - EN: Застрашен
+> - EX: Изчезнал
+> - LC: Най-малка загриженост
+> - NT: Близо до застрашен
+> - VU: Уязвим
+
+Това са текстови стойности, така че ще трябва да направите трансформация, за да създадете хистограма. Използвайки dataframe-а filteredBirds, покажете статуса на опазване заедно с минималния размах на крилата. Какво виждате? 
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![размах на крилата и статус на опазване](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.bg.png)
+
+Не изглежда да има добра корелация между минималния размах на крилата и статуса на опазване. Тествайте други елементи от набора от данни, използвайки този метод. Можете да опитате различни филтри. Откривате ли някаква корелация?
+
+## Плътностни диаграми
+
+Може би сте забелязали, че хистограмите, които разгледахме досега, са "стъпаловидни" и не се движат плавно в дъга. За да покажете по-гладка диаграма на плътността, можете да опитате плътностна диаграма.
+
+За да работите с плътностни диаграми, запознайте се с нова библиотека за визуализация, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Зареждайки Seaborn, опитайте основна плътностна диаграма:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Плътностна диаграма](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.bg.png)
+
+Можете да видите как диаграмата отразява предишната за данните за минималния размах на крилата; просто е малко по-гладка. Според документацията на Seaborn, "В сравнение с хистограма, KDE може да произведе диаграма, която е по-малко претрупана и по-лесна за интерпретиране, особено когато се чертаят множество разпределения. Но има потенциал да въведе изкривявания, ако основното разпределение е ограничено или не е гладко. Както при хистограмата, качеството на представянето също зависи от избора на добри параметри за изглаждане." [източник](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) С други думи, отклоненията, както винаги, ще направят вашите диаграми да се държат странно.
+
+Ако искате да преразгледате тази назъбена линия за MaxBodyMass във втората диаграма, която създадохте, можете да я изгладите много добре, като я пресъздадете с този метод:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![гладка линия за телесна маса](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.bg.png)
+
+Ако искате гладка, но не прекалено гладка линия, редактирайте параметъра `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![по-малко гладка линия за телесна маса](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.bg.png)
+
+✅ Прочетете за наличните параметри за този тип диаграма и експериментирайте!
+
+Този тип диаграма предлага красиво обяснителни визуализации. С няколко реда код, например, можете да покажете плътността на максималната телесна маса по разред на птиците:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![телесна маса по разред](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.bg.png)
+
+Можете също така да картографирате плътността на няколко променливи в една диаграма. Тествайте максималната и минималната дължина на птица спрямо техния статус на опазване:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![множество плътности, наслагвани](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.bg.png)
+
+Може би си струва да се изследва дали клъстерът на "Уязвимите" птици според техните дължини е значим или не.
+
+## 🚀 Предизвикателство
+
+Хистограмите са по-сложен тип диаграма от основните точкови диаграми, стълбовидни диаграми или линейни диаграми. Потърсете в интернет добри примери за използването на хистограми. Как се използват, какво демонстрират и в какви области или сфери на изследване обикновено се използват?
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Преглед и самостоятелно обучение
+
+В този урок използвахте Matplotlib и започнахте да работите със Seaborn, за да създавате по-сложни диаграми. Направете проучване за `kdeplot` в Seaborn, "непрекъсната крива на вероятностната плътност в едно или повече измерения". Прочетете [документацията](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), за да разберете как работи.
+
+## Задание
+
+[Приложете вашите умения](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/bg/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..010c5ab7
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:53:10+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Приложете уменията си
+
+## Инструкции
+
+Досега сте работили с набора от данни за птиците в Минесота, за да откриете информация за количествата и плътността на популацията на птиците. Практикувайте прилагането на тези техники, като опитате с различен набор от данни, може би взет от [Kaggle](https://www.kaggle.com/). Създайте тетрадка, която разказва история за този набор от данни, и не забравяйте да използвате хистограми, когато го обсъждате.
+
+## Критерии за оценка
+
+Примерен | Адекватен | Нуждае се от подобрение
+--- | --- | -- |
+Представена е тетрадка с пояснения за този набор от данни, включително неговия източник, и се използват поне 5 хистограми за откриване на факти за данните. | Представена е тетрадка с непълни пояснения или грешки. | Представена е тетрадка без пояснения и с грешки.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/11-visualization-proportions/README.md b/translations/bg/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..968aba7f
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:30:09+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на пропорции
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Визуализиране на пропорции - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В този урок ще използвате различен набор от данни, свързан с природата, за да визуализирате пропорции, като например колко различни видове гъби се срещат в даден набор от данни за гъби. Нека разгледаме тези очарователни гъби, използвайки набор от данни, предоставен от Audubon, който съдържа информация за 23 вида гъби с ламели от семействата Agaricus и Lepiota. Ще експериментирате с апетитни визуализации като:
+
+- Кръгови диаграми 🥧
+- Диаграми тип "поничка" 🍩
+- Диаграми тип "вафла" 🧇
+
+> 💡 Един много интересен проект, наречен [Charticulator](https://charticulator.com) от Microsoft Research, предлага безплатен интерфейс за визуализация на данни чрез влачене и пускане. В един от техните уроци те също използват този набор от данни за гъби! Така можете да изследвате данните и да научите библиотеката едновременно: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Запознайте се с вашите гъби 🍄
+
+Гъбите са много интересни. Нека импортираме набор от данни, за да ги изучим:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+Таблица се отпечатва с чудесни данни за анализ:
+
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Отровна   | Изпъкнала | Гладка      | Кафява    | Синини  | Остра   | Свободна        | Плътна       | Тясна     | Черна      | Разширяваща | Равна      | Гладка                   | Гладка                   | Бяла                   | Бяла                   | Частична  | Бяла       | Една        | Висяща   | Черна             | Разпръсната| Градска |
+| Ядлива    | Изпъкнала | Гладка      | Жълта     | Синини  | Бадем   | Свободна        | Плътна       | Широка    | Черна      | Разширяваща | Клуб       | Гладка                   | Гладка                   | Бяла                   | Бяла                   | Частична  | Бяла       | Една        | Висяща   | Кафява            | Многобройна| Треви   |
+| Ядлива    | Камбанка  | Гладка      | Бяла      | Синини  | Анасон  | Свободна        | Плътна       | Широка    | Кафява     | Разширяваща | Клуб       | Гладка                   | Гладка                   | Бяла                   | Бяла                   | Частична  | Бяла       | Една        | Висяща   | Кафява            | Многобройна| Ливади  |
+| Отровна   | Изпъкнала | Люспеста    | Бяла      | Синини  | Остра   | Свободна        | Плътна       | Тясна     | Кафява     | Разширяваща | Равна      | Гладка                   | Гладка                   | Бяла                   | Бяла                   | Частична  | Бяла       | Една        | Висяща   | Черна             | Разпръсната| Градска |
+
+Веднага забелязвате, че всички данни са текстови. Ще трябва да конвертирате тези данни, за да можете да ги използвате в диаграма. Всъщност повечето данни са представени като обект:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+Резултатът е:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+Вземете тези данни и конвертирайте колоната 'class' в категория:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+Сега, ако отпечатате данните за гъбите, можете да видите, че те са групирани в категории според класа ядливи/отровни:
+
+
+|           | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| class     |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| Ядлива    | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| Отровна   | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+Ако следвате реда, представен в тази таблица, за да създадете етикетите за категорията 'class', можете да създадете кръгова диаграма:
+
+## Кръг!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+Ето я, кръгова диаграма, показваща пропорциите на тези данни според двата класа гъби. Много е важно да получите реда на етикетите правилно, особено тук, затова се уверете, че сте проверили реда, с който е създаден масивът от етикети!
+
+![кръгова диаграма](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.bg.png)
+
+## Понички!
+
+Малко по-визуално интересна кръгова диаграма е диаграмата тип "поничка", която е кръгова диаграма с дупка в средата. Нека разгледаме нашите данни, използвайки този метод.
+
+Разгледайте различните местообитания, където растат гъбите:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+Тук групирате данните си по местообитание. Има 7 изброени, така че използвайте тези като етикети за вашата диаграма тип "поничка":
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![диаграма тип "поничка"](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.bg.png)
+
+Този код рисува диаграма и централен кръг, след което добавя този централен кръг в диаграмата. Редактирайте ширината на централния кръг, като промените `0.40` на друга стойност.
+
+Диаграмите тип "поничка" могат да бъдат променяни по различни начини, за да се променят етикетите. Етикетите, по-специално, могат да бъдат подчертани за по-добра четимост. Научете повече в [документацията](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Сега, когато знаете как да групирате данните си и след това да ги показвате като кръг или поничка, можете да изследвате други видове диаграми. Опитайте диаграма тип "вафла", която е просто различен начин за изследване на количествата.
+## Вафли!
+
+Диаграмата тип "вафла" е различен начин за визуализиране на количества като двумерна решетка от квадрати. Опитайте да визуализирате различните количества цветове на шапките на гъбите в този набор от данни. За да направите това, трябва да инсталирате помощна библиотека, наречена [PyWaffle](https://pypi.org/project/pywaffle/) и да използвате Matplotlib:
+
+```python
+pip install pywaffle
+```
+
+Изберете сегмент от вашите данни за групиране:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+Създайте диаграма тип "вафла", като създадете етикети и след това групирате данните си:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+Използвайки диаграма тип "вафла", можете ясно да видите пропорциите на цветовете на шапките в този набор от данни за гъби. Интересно е, че има много гъби със зелени шапки!
+
+![диаграма тип "вафла"](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.bg.png)
+
+✅ Pywaffle поддържа икони в диаграмите, които използват всяка икона, налична в [Font Awesome](https://fontawesome.com/). Направете някои експерименти, за да създадете още по-интересна диаграма тип "вафла", използвайки икони вместо квадрати.
+
+В този урок научихте три начина за визуализиране на пропорции. Първо, трябва да групирате данните си в категории и след това да решите кой е най-добрият начин за показване на данните - кръг, поничка или вафла. Всички са вкусни и предоставят на потребителя моментална снимка на набора от данни.
+
+## 🚀 Предизвикателство
+
+Опитайте да пресъздадете тези апетитни диаграми в [Charticulator](https://charticulator.com).
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Преглед и самостоятелно обучение
+
+Понякога не е очевидно кога да използвате кръгова, диаграма тип "поничка" или диаграма тип "вафла". Ето някои статии за четене по тази тема:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Направете проучване, за да намерите повече информация относно това трудно решение.
+## Задача
+
+[Опитайте го в Excel](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/bg/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..ccb144bb
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:31:19+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Опитайте го в Excel
+
+## Инструкции
+
+Знаете ли, че можете да създавате поничкови, кръгови и вафлени диаграми в Excel? Използвайки набор от данни по ваш избор, създайте тези три диаграми директно в Excel таблица.
+
+## Критерии за оценка
+
+| Отлично                                                | Задоволително                                    | Нуждае се от подобрение                              |
+| ------------------------------------------------------ | ------------------------------------------------ | ---------------------------------------------------- |
+| Представена е Excel таблица с трите диаграми           | Представена е Excel таблица с две диаграми       | Представена е Excel таблица само с една диаграма    |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/12-visualization-relationships/README.md b/translations/bg/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..a7db0032
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,187 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:56:36+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на връзките: Всичко за меда 🍯
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Визуализиране на връзките - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Продължавайки с природната насоченост на нашето изследване, нека открием интересни визуализации, които показват връзките между различните видове мед, според набор от данни, извлечен от [Министерството на земеделието на САЩ](https://www.nass.usda.gov/About_NASS/index.php).
+
+Този набор от данни, съдържащ около 600 записа, показва производството на мед в много щати на САЩ. Например, можете да разгледате броя на колониите, добива на колония, общото производство, запасите, цената на килограм и стойността на произведения мед в даден щат за периода 1998-2012 г., като за всяка година и щат има по един ред.
+
+Ще бъде интересно да визуализираме връзката между производството на мед в даден щат за година и, например, цената на меда в този щат. Алтернативно, бихте могли да визуализирате връзката между добива на мед на колония в различни щати. Този времеви обхват включва разрушителния феномен „CCD“ или „Синдром на колапс на колониите“, който за първи път е наблюдаван през 2006 г. (http://npic.orst.edu/envir/ccd.html), което прави набора от данни особено значим за изследване. 🐝
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+В този урок можете да използвате Seaborn, който вече сте използвали, като добра библиотека за визуализиране на връзките между променливи. Особено интересна е функцията `relplot` на Seaborn, която позволява създаването на разсейващи диаграми и линейни графики за бързо визуализиране на '[статистически връзки](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', което помага на анализатора на данни да разбере по-добре как променливите се свързват помежду си.
+
+## Разсейващи диаграми
+
+Използвайте разсейваща диаграма, за да покажете как цената на меда се е развивала година след година за всеки щат. Seaborn, чрез `relplot`, удобно групира данните по щати и показва точки за както категорийни, така и числови данни.
+
+Нека започнем с импортиране на данните и Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Ще забележите, че данните за меда съдържат няколко интересни колони, включително година и цена на килограм. Нека разгледаме тези данни, групирани по щати на САЩ:
+
+| щат  | колонии | добив/кол. | общо прод. | запаси   | цена/кг    | стойност   | година |
+| ----- | ------- | ---------- | ---------- | -------- | ---------- | ---------- | ------ |
+| AL    | 16000   | 71         | 1136000    | 159000   | 0.72       | 818000     | 1998   |
+| AZ    | 55000   | 60         | 3300000    | 1485000  | 0.64       | 2112000    | 1998   |
+| AR    | 53000   | 65         | 3445000    | 1688000  | 0.59       | 2033000    | 1998   |
+| CA    | 450000  | 83         | 37350000   | 12326000 | 0.62       | 23157000   | 1998   |
+| CO    | 27000   | 72         | 1944000    | 1594000  | 0.7        | 1361000    | 1998   |
+
+Създайте основна разсейваща диаграма, за да покажете връзката между цената на килограм мед и щата, от който произхожда. Направете оста `y` достатъчно висока, за да покаже всички щати:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.bg.png)
+
+Сега покажете същите данни с цветова схема, свързана с меда, за да покажете как цената се променя през годините. Можете да направите това, като добавите параметър 'hue', който показва промяната година след година:
+
+> ✅ Научете повече за [цветовите палитри, които можете да използвате в Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - опитайте красива дъгова палитра!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.bg.png)
+
+С тази промяна в цветовата схема можете да видите, че има очевидна силна прогресия през годините по отношение на цената на килограм мед. Всъщност, ако разгледате примерен набор от данни, за да проверите (например за щата Аризона), можете да видите модел на увеличение на цената година след година, с малки изключения:
+
+| щат  | колонии | добив/кол. | общо прод. | запаси   | цена/кг    | стойност   | година |
+| ----- | ------- | ---------- | ---------- | -------- | ---------- | ---------- | ------ |
+| AZ    | 55000   | 60         | 3300000    | 1485000  | 0.64       | 2112000    | 1998   |
+| AZ    | 52000   | 62         | 3224000    | 1548000  | 0.62       | 1999000    | 1999   |
+| AZ    | 40000   | 59         | 2360000    | 1322000  | 0.73       | 1723000    | 2000   |
+| AZ    | 43000   | 59         | 2537000    | 1142000  | 0.72       | 1827000    | 2001   |
+| AZ    | 38000   | 63         | 2394000    | 1197000  | 1.08       | 2586000    | 2002   |
+| AZ    | 35000   | 72         | 2520000    | 983000   | 1.34       | 3377000    | 2003   |
+| AZ    | 32000   | 55         | 1760000    | 774000   | 1.11       | 1954000    | 2004   |
+| AZ    | 36000   | 50         | 1800000    | 720000   | 1.04       | 1872000    | 2005   |
+| AZ    | 30000   | 65         | 1950000    | 839000   | 0.91       | 1775000    | 2006   |
+| AZ    | 30000   | 64         | 1920000    | 902000   | 1.26       | 2419000    | 2007   |
+| AZ    | 25000   | 64         | 1600000    | 336000   | 1.26       | 2016000    | 2008   |
+| AZ    | 20000   | 52         | 1040000    | 562000   | 1.45       | 1508000    | 2009   |
+| AZ    | 24000   | 77         | 1848000    | 665000   | 1.52       | 2809000    | 2010   |
+| AZ    | 23000   | 53         | 1219000    | 427000   | 1.55       | 1889000    | 2011   |
+| AZ    | 22000   | 46         | 1012000    | 253000   | 1.79       | 1811000    | 2012   |
+
+Друг начин за визуализиране на тази прогресия е чрез използване на размер, вместо цвят. За потребители с цветна слепота това може да бъде по-добър вариант. Редактирайте визуализацията си, за да покажете увеличение на цената чрез увеличение на обиколката на точките:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Можете да видите как размерът на точките постепенно се увеличава.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.bg.png)
+
+Дали това е просто случай на търсене и предлагане? Поради фактори като климатични промени и колапс на колониите, има ли по-малко наличен мед за покупка година след година, което води до увеличение на цената?
+
+За да открием корелация между някои от променливите в този набор от данни, нека разгледаме някои линейни графики.
+
+## Линейни графики
+
+Въпрос: Има ли ясно увеличение на цената на килограм мед година след година? Най-лесно можете да откриете това, като създадете единична линейна графика:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Отговор: Да, с някои изключения около 2003 година:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.bg.png)
+
+✅ Тъй като Seaborn агрегира данните около една линия, той показва „многобройните измервания за всяка стойност на x, като изобразява средната стойност и 95% доверителен интервал около средната стойност“. [Източник](https://seaborn.pydata.org/tutorial/relational.html). Това поведение, което отнема време, може да бъде изключено, като добавите `ci=None`.
+
+Въпрос: Ами през 2003 година, можем ли също да видим скок в предлагането на мед? Какво ще стане, ако разгледате общото производство година след година?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.bg.png)
+
+Отговор: Не съвсем. Ако разгледате общото производство, то всъщност изглежда, че се е увеличило през тази конкретна година, въпреки че като цяло количеството произведен мед намалява през тези години.
+
+Въпрос: В такъв случай, какво би могло да е причинило този скок в цената на меда около 2003 година?
+
+За да открием това, можем да изследваме мрежа от фасети.
+
+## Мрежи от фасети
+
+Мрежите от фасети вземат един аспект от вашия набор от данни (в нашия случай можете да изберете 'година', за да избегнете твърде много фасети). Seaborn може след това да създаде графика за всяка от тези фасети на избраните x и y координати за по-лесно визуално сравнение. Изпъква ли 2003 година в този тип сравнение?
+
+Създайте мрежа от фасети, като продължите да използвате `relplot`, както е препоръчано в [документацията на Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid).
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+В тази визуализация можете да сравните добива на колония и броя на колониите година след година, една до друга, с настройка на wrap на 3 за колоните:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.bg.png)
+
+За този набор от данни нищо особено не изпъква по отношение на броя на колониите и техния добив, година след година и щат след щат. Има ли различен начин да се търси корелация между тези две променливи?
+
+## Двойни линейни графики
+
+Опитайте многолинейна графика, като наслагвате две линейни графики една върху друга, използвайки `despine` на Seaborn, за да премахнете горните и десните оси, и използвайки `ax.twinx` [произлизащ от Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx позволява графиката да споделя оста x и да показва две оси y. Така че, изобразете добива на колония и броя на колониите, наслагвайки ги:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.bg.png)
+
+Докато нищо не изпъква около 2003 година, това ни позволява да завършим урока на малко по-оптимистична нотка: въпреки че като цяло броят на колониите намалява, броят на колониите се стабилизира, дори ако техният добив на колония намалява.
+
+Напред, пчели! 🐝❤️
+
+## 🚀 Предизвикателство
+
+В този урок научихте малко повече за други приложения на разсейващите диаграми и мрежите от линии, включително мрежите от фасети. Предизвикайте себе си да създадете мрежа от фасети, използвайки различен набор от данни, може би такъв, който сте използвали преди тези уроци. Обърнете внимание колко време отнема създаването им и как трябва да бъдете внимателни относно броя на фасетите, които трябва да се изобразят с тези техники.
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Преглед и самостоятелно обучение
+
+Линейните графики могат да бъдат прости или доста сложни. Прочетете малко повече в [документацията на Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) за различните начини, по които можете да ги изградите. Опитайте се да подобрите линейните графики, които създадохте в този урок, с други методи, изброени в документацията.
+
+## Задача
+
+[Потопете се в кошера](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/bg/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..ef42140d
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:59+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Потопете се в кошера
+
+## Инструкции
+
+В този урок започнахте да разглеждате набор от данни за пчелите и тяхното производство на мед през период от време, в който се наблюдаваха загуби в популацията на пчелните колонии като цяло. Разгледайте по-задълбочено този набор от данни и създайте тетрадка, която може да разкаже историята за здравето на пчелната популация, щат по щат и година по година. Откривате ли нещо интересно в този набор от данни?
+
+## Рубрика
+
+| Примерно                                                                                                                                                 | Задоволително                            | Нуждае се от подобрение                   |
+| -------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| Представена е тетрадка с история, анотирана с поне три различни диаграми, показващи аспекти на набора от данни, щат по щат и година по година             | Тетрадката липсва един от тези елементи  | Тетрадката липсва два от тези елементи   |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..26652e85
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:46:17+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "bg"
+}
+-->
+# Създаване на смислени визуализации
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Смислени визуализации - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+> "Ако измъчвате данните достатъчно дълго, те ще признаят всичко" -- [Роналд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Едно от основните умения на специалиста по данни е способността да създава смислена визуализация на данни, която помага да се отговори на въпросите, които може да имате. Преди да визуализирате данните си, трябва да се уверите, че те са почистени и подготвени, както направихте в предишните уроци. След това можете да започнете да решавате как най-добре да представите данните.
+
+В този урок ще разгледате:
+
+1. Как да изберете правилния тип диаграма
+2. Как да избегнете подвеждащи визуализации
+3. Как да работите с цветове
+4. Как да стилизирате диаграмите си за четливост
+5. Как да създавате анимирани или 3D визуализации
+6. Как да създадете креативна визуализация
+
+## [Тест преди урока](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Избор на правилния тип диаграма
+
+В предишни уроци експериментирахте със създаването на различни интересни визуализации на данни, използвайки Matplotlib и Seaborn за диаграми. По принцип можете да изберете [правилния тип диаграма](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) за въпроса, който задавате, като използвате тази таблица:
+
+| Трябва да:                 | Трябва да използвате:           |
+| -------------------------- | ------------------------------- |
+| Показвате тенденции във времето | Линия                          |
+| Сравнявате категории       | Бар, Пай                        |
+| Сравнявате общи стойности   | Пай, Стакнат Бар                |
+| Показвате връзки           | Скатер, Линия, Фасет, Двойна линия |
+| Показвате разпределения    | Скатер, Хистограма, Бокс         |
+| Показвате пропорции        | Пай, Донът, Уафъл               |
+
+> ✅ В зависимост от състава на вашите данни, може да се наложи да ги преобразувате от текстови в числови, за да поддържат даден тип диаграма.
+
+## Избягване на подвеждане
+
+Дори ако специалистът по данни внимателно избере правилната диаграма за правилните данни, има много начини, по които данните могат да бъдат представени, за да докажат дадена точка, често за сметка на самите данни. Има много примери за подвеждащи диаграми и инфографики!
+
+[![Как диаграмите лъжат от Алберто Кайро](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.bg.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Как диаграмите лъжат")
+
+> 🎥 Кликнете върху изображението по-горе за конференция за подвеждащи диаграми
+
+Тази диаграма обръща оста X, за да покаже обратното на истината, базирано на дата:
+
+![лоша диаграма 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.bg.png)
+
+[Тази диаграма](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) е още по-подвеждаща, тъй като окото се насочва към дясната страна, за да заключи, че с времето случаите на COVID са намалели в различните окръзи. Всъщност, ако погледнете внимателно датите, ще откриете, че те са пренаредени, за да създадат този подвеждащ низходящ тренд.
+
+![лоша диаграма 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.bg.jpg)
+
+Този известен пример използва цветове И обърната ос Y, за да заблуди: вместо да заключите, че смъртните случаи от оръжия са се увеличили след приемането на законодателство, благоприятно за оръжията, всъщност окото е заблудено да мисли, че обратното е вярно:
+
+![лоша диаграма 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.bg.jpg)
+
+Тази странна диаграма показва как пропорциите могат да бъдат манипулирани, до комичен ефект:
+
+![лоша диаграма 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.bg.jpg)
+
+Сравняването на несравними неща е още един съмнителен трик. Има [чудесен уебсайт](https://tylervigen.com/spurious-correlations), посветен на 'фалшиви корелации', показващ 'факти', които корелират неща като процента на разводите в Мейн и консумацията на маргарин. Група в Reddit също събира [грозни примери](https://www.reddit.com/r/dataisugly/top/?t=all) за използване на данни.
+
+Важно е да разберете колко лесно окото може да бъде заблудено от подвеждащи диаграми. Дори ако намерението на специалиста по данни е добро, изборът на неподходящ тип диаграма, като например пай диаграма с твърде много категории, може да бъде подвеждащ.
+
+## Цветове
+
+Видяхте в диаграмата за 'насилие с оръжия във Флорида' как цветът може да добави допълнителен слой смисъл към диаграмите, особено тези, които не са създадени с библиотеки като Matplotlib и Seaborn, които идват с различни проверени цветови библиотеки и палитри. Ако създавате диаграма ръчно, направете малко проучване на [теорията на цветовете](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Бъдете наясно, когато проектирате диаграми, че достъпността е важен аспект на визуализацията. Някои от вашите потребители може да са цветно слепи - дали вашата диаграма се показва добре за потребители с визуални увреждания?
+
+Бъдете внимателни при избора на цветове за вашата диаграма, тъй като цветът може да предаде значение, което не сте възнамерявали. 'Розовите дами' в диаграмата за 'височина' по-горе предават ясно 'женствено' значение, което добавя към странността на самата диаграма.
+
+Докато [значението на цветовете](https://colormatters.com/color-symbolism/the-meanings-of-colors) може да бъде различно в различни части на света и има тенденция да се променя според нюанса им, общо казано, значенията на цветовете включват:
+
+| Цвят   | Значение             |
+| ------ | ------------------- |
+| червен | сила                |
+| син    | доверие, лоялност   |
+| жълт   | щастие, предпазливост|
+| зелен  | екология, късмет, завист |
+| лилав  | щастие              |
+| оранжев| жизненост           |
+
+Ако ви е възложено да създадете диаграма с персонализирани цветове, уверете се, че вашите диаграми са както достъпни, така и че цветът, който избирате, съответства на значението, което се опитвате да предадете.
+
+## Стилизиране на диаграмите за четливост
+
+Диаграмите не са смислени, ако не са четливи! Отделете момент, за да обмислите стилизирането на ширината и височината на вашата диаграма, така че да се мащабира добре с вашите данни. Ако трябва да покажете една променлива (като всички 50 щата), покажете ги вертикално на оста Y, ако е възможно, за да избегнете диаграма с хоризонтално превъртане.
+
+Надпишете осите си, предоставете легенда, ако е необходимо, и предложете подсказки за по-добро разбиране на данните.
+
+Ако вашите данни са текстови и подробни на оста X, можете да наклоните текста за по-добра четливост. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) предлага 3D графики, ако вашите данни го поддържат. Сложни визуализации на данни могат да бъдат създадени с `mpl_toolkits.mplot3d`.
+
+![3D диаграми](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.bg.png)
+
+## Анимация и 3D визуализация
+
+Някои от най-добрите визуализации на данни днес са анимирани. Шърли Ву има невероятни примери, направени с D3, като '[цветя от филми](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', където всяко цвете е визуализация на филм. Друг пример за Guardian е 'bussed out', интерактивно преживяване, комбиниращо визуализации с Greensock и D3 плюс статия във формат 'scrollytelling', за да покаже как Ню Йорк се справя с проблема с бездомните, като ги изпраща извън града.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.bg.png)
+
+> "Bussed Out: Как Америка премества своите бездомни" от [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Визуализации от Надие Бремер и Шърли Ву
+
+Докато този урок не е достатъчен, за да навлезе в дълбочина и да ви научи на тези мощни библиотеки за визуализация, опитайте да използвате D3 в приложение Vue.js, за да създадете визуализация на книгата "Опасни връзки" като анимирана социална мрежа.
+
+> "Опасни връзки" е епистоларен роман, или роман, представен като поредица от писма. Написан през 1782 г. от Шодерло дьо Лакло, той разказва историята за жестоките, морално банкрутирани социални маневри на двама дуелиращи се протагонисти от френската аристокрация в края на 18-ти век, виконт дьо Валмон и маркиза дьо Мертьой. И двамата срещат своя край, но не без да нанесат значителни социални щети. Романът се развива като поредица от писма, написани до различни хора в техните кръгове, планиращи отмъщение или просто създаващи проблеми. Създайте визуализация на тези писма, за да откриете основните фигури в разказа, визуално.
+
+Ще завършите уеб приложение, което ще показва анимиран изглед на тази социална мрежа. То използва библиотека, създадена за [визуализация на мрежа](https://github.com/emiliorizzo/vue-d3-network) с Vue.js и D3. Когато приложението работи, можете да местите възлите на екрана, за да пренареждате данните.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.bg.png)
+
+## Проект: Създайте диаграма за показване на мрежа с D3.js
+
+> Тази папка на урока включва папка `solution`, където можете да намерите завършения проект за справка.
+
+1. Следвайте инструкциите в README.md файла в корена на папката `starter`. Уверете се, че имате NPM и Node.js, работещи на вашата машина, преди да инсталирате зависимостите на проекта.
+
+2. Отворете папката `starter/src`. Ще откриете папка `assets`, където можете да намерите .json файл с всички писма от романа, номерирани, с анотации 'to' и 'from'.
+
+3. Завършете кода в `components/Nodes.vue`, за да активирате визуализацията. Потърсете метода, наречен `createLinks()` и добавете следния вложен цикъл.
+
+Циклирайте през .json обекта, за да уловите данните 'to' и 'from' за писмата и изградете обекта `links`, така че библиотеката за визуализация да може да го използва:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Стартирайте приложението си от терминала (npm run serve) и се насладете на визуализацията!
+
+## 🚀 Предизвикателство
+
+Направете обиколка в интернет, за да откриете подвеждащи визуализации. Как авторът заблуждава потребителя и дали това е умишлено? Опитайте да коригирате визуализациите, за да покажете как трябва да изглеждат.
+
+## [Тест след урока](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Преглед и самостоятелно обучение
+
+Ето някои статии за четене относно подвеждащи визуализации на данни:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Разгледайте тези интересни визуализации за исторически активи и артефакти:
+
+https://handbook.pubpub.org/
+
+Прегледайте тази статия за това как анимацията може да подобри вашите визуализации:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Задание
+
+[Създайте своя собствена персонализирана визуализация](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..debe9db3
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:47:33+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Създайте своя собствена персонализирана визуализация
+
+## Инструкции
+
+Използвайте примерния код в този проект, за да създадете социална мрежа, като създадете собствени данни за социалните си взаимодействия. Можете да картографирате използването си на социални медии или да направите диаграма на членовете на вашето семейство. Създайте интересна уеб апликация, която показва уникална визуализация на социална мрежа.
+
+## Критерии за оценка
+
+Примерен | Задоволителен | Нуждае се от подобрение
+--- | --- | -- |
+GitHub репозитория е предоставен с код, който работи правилно (опитайте да го разположите като статична уеб апликация) и има анотиран README файл, обясняващ проекта | Репото не работи правилно или не е добре документирано | Репото не работи правилно и не е добре документирано
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..84ea8b96
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:52+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "bg"
+}
+-->
+# Проект за визуализация на данни "Опасни връзки"
+
+За да започнете, трябва да се уверите, че имате инсталирани NPM и Node на вашата машина. Инсталирайте зависимостите (npm install) и след това стартирайте проекта локално (npm run serve):
+
+## Настройка на проекта
+```
+npm install
+```
+
+### Компилира и автоматично презарежда за разработка
+```
+npm run serve
+```
+
+### Компилира и минимизира за продукция
+```
+npm run build
+```
+
+### Проверява и коригира файлове
+```
+npm run lint
+```
+
+### Персонализиране на конфигурацията
+Вижте [Configuration Reference](https://cli.vuejs.org/config/).
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..c656d320
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:13+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "bg"
+}
+-->
+# Проект за визуализация на данни "Опасни връзки"
+
+За да започнете, трябва да се уверите, че имате инсталирани NPM и Node на вашата машина. Инсталирайте зависимостите (npm install) и след това стартирайте проекта локално (npm run serve):
+
+## Настройка на проекта
+```
+npm install
+```
+
+### Компилиране и автоматично презареждане за разработка
+```
+npm run serve
+```
+
+### Компилиране и минимизиране за продукция
+```
+npm run build
+```
+
+### Проверка и корекция на файлове
+```
+npm run lint
+```
+
+### Персонализиране на конфигурацията
+Вижте [Референция за конфигурация](https://cli.vuejs.org/config/).
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/bg/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..a0850616
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,230 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:12:23+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на количества
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Визуализиране на количества - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В този урок ще разгледате как да използвате някои от многото налични библиотеки на R, за да създавате интересни визуализации, свързани с концепцията за количество. Използвайки почистен набор от данни за птиците в Минесота, можете да научите много интересни факти за местната дива природа.  
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Наблюдавайте размах на крилата с ggplot2
+Отлична библиотека за създаване както на прости, така и на сложни графики и диаграми от различен вид е [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). В общи линии, процесът на визуализиране на данни с тези библиотеки включва идентифициране на частите от вашия датафрейм, които искате да използвате, извършване на необходимите трансформации на данните, задаване на стойностите за x и y осите, избор на типа графика и след това визуализиране на графиката.
+
+`ggplot2` е система за декларативно създаване на графики, базирана на Граматиката на графиките. [Граматиката на графиките](https://en.wikipedia.org/wiki/Ggplot2) е обща схема за визуализация на данни, която разделя графиките на семантични компоненти като скали и слоеве. С други думи, лекотата на създаване на графики за едномерни или многомерни данни с малко код прави `ggplot2` най-популярния пакет за визуализации в R. Потребителят указва на `ggplot2` как да свърже променливите с естетиката, какви графични примитиви да използва, а `ggplot2` се грижи за останалото.
+
+> ✅ Графика = Данни + Естетика + Геометрия  
+> - Данни се отнася до набора от данни  
+> - Естетика указва променливите за изследване (x и y променливи)  
+> - Геометрия се отнася до типа графика (линейна графика, стълбовидна диаграма и т.н.)
+
+Изберете най-подходящата геометрия (тип графика) според вашите данни и историята, която искате да разкажете чрез графиката.
+
+> - За анализ на тенденции: линейна, колонна  
+> - За сравнение на стойности: стълбовидна, колонна, кръгова, точкова диаграма  
+> - За показване на части от цялото: кръгова  
+> - За показване на разпределение на данни: точкова, стълбовидна  
+> - За показване на връзки между стойности: линейна, точкова, балонна  
+
+✅ Можете също да разгледате този описателен [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) за ggplot2.
+
+## Създайте линейна графика за стойностите на размаха на крилата на птиците
+
+Отворете R конзолата и импортирайте набора от данни.  
+> Забележка: Наборът от данни се намира в основната директория на това хранилище в папката `/data`.
+
+Нека импортираме набора от данни и разгледаме първите 5 реда от данните.
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+Първите редове от данните съдържат смес от текст и числа:
+
+|      | Име                          | Научно име             | Категория             | Разред       | Семейство | Род         | Статус на опазване | Мин. дължина | Макс. дължина | Мин. тегло | Макс. тегло | Мин. размах | Макс. размах |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Чернокоремна свиреща патица  | Dendrocygna autumnalis | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Ръждива свиреща патица       | Dendrocygna bicolor    | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Снежна гъска                 | Anser caerulescens     | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Гъска на Рос                 | Anser rossii           | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Голямобяла чела гъска        | Anser albifrons        | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Нека започнем с визуализиране на някои от числовите данни, използвайки основна линейна графика. Да предположим, че искате да видите максималния размах на крилата на тези интересни птици.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Тук инсталирате пакета `ggplot2` и след това го импортирате в работната среда с командата `library("ggplot2")`. За да създадете графика в ggplot, използвате функцията `ggplot()` и задавате набора от данни, x и y променливите като атрибути. В този случай използваме функцията `geom_line()`, тъй като целим да създадем линейна графика.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.bg.png)
+
+Какво забелязвате веднага? Изглежда, че има поне един аутлайър – това е доста голям размах на крилата! Размах от над 2000 сантиметра е повече от 20 метра – дали в Минесота се разхождат птеродактили? Нека разследваме.
+
+Докато можете бързо да сортирате в Excel, за да намерите тези аутлайъри, които вероятно са грешки, продължете процеса на визуализация, работейки директно от графиката.
+
+Добавете етикети към x-оста, за да покажете какви видове птици са включени:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+Задаваме ъгъла в `theme` и задаваме етикетите на x и y осите с `xlab()` и `ylab()` съответно. `ggtitle()` дава име на графиката.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.bg.png)
+
+Дори с ротацията на етикетите, зададена на 45 градуса, те са твърде много, за да се четат. Нека опитаме различна стратегия: да етикетираме само аутлайърите и да поставим етикетите вътре в графиката. Можете да използвате точкова диаграма, за да освободите повече място за етикетиране:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+Какво се случва тук? Използвахте функцията `geom_point()`, за да начертаете точкови диаграми. С това добавихте етикети за птиците, чиито `MaxWingspan > 500`, и също така скрихте етикетите на x-оста, за да намалите претрупаността на графиката.
+
+Какво откривате?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.bg.png)
+
+## Филтрирайте данните си
+
+И Белоглавият орел, и Прерийният сокол, макар вероятно да са много големи птици, изглежда са неправилно етикетирани, с добавена допълнителна нула към максималния им размах на крилата. Малко вероятно е да срещнете Белоглав орел с размах на крилата от 25 метра, но ако го направите, моля, уведомете ни! Нека създадем нов датафрейм без тези два аутлайъра:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Създадохме нов датафрейм `birds_filtered` и след това начертахме точкова диаграма. Чрез филтриране на аутлайърите, данните ви сега са по-цялостни и разбираеми.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.bg.png)
+
+Сега, когато имаме по-чист набор от данни поне по отношение на размаха на крилата, нека открием повече за тези птици.
+
+Докато линейните и точковите диаграми могат да показват информация за стойностите на данните и техните разпределения, искаме да помислим за стойностите, присъщи на този набор от данни. Можете да създадете визуализации, за да отговорите на следните въпроси за количествата:
+
+> Колко категории птици има и какви са техните бройки?  
+> Колко птици са изчезнали, застрашени, редки или често срещани?  
+> Колко са различните родове и разреди според терминологията на Линей?  
+## Изследвайте стълбовидни диаграми
+
+Стълбовидните диаграми са практични, когато трябва да покажете групиране на данни. Нека изследваме категориите птици, които съществуват в този набор от данни, за да видим коя е най-често срещаната по брой.  
+Нека създадем стълбовидна диаграма за филтрираните данни.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+В следващия кодов фрагмент инсталираме пакетите [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) и [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), за да помогнем при манипулирането и групирането на данни с цел начертаване на стълбовидна диаграма. Първо, групирате данните по `Category` на птиците и след това обобщавате колоните `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. След това начертавате стълбовидната диаграма, използвайки пакета `ggplot2`, и задавате цветовете за различните категории и етикетите.
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.bg.png)
+
+Тази стълбовидна диаграма обаче е нечетлива, защото има твърде много негрупирани данни. Трябва да изберете само данните, които искате да визуализирате, така че нека разгледаме дължината на птиците въз основа на тяхната категория.
+
+Филтрирайте данните си, за да включите само категорията на птиците.
+
+Тъй като има много категории, можете да покажете тази диаграма вертикално и да коригирате височината ѝ, за да обхванете всички данни:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Първо преброявате уникалните стойности в колоната `Category` и след това ги сортирате в нов датафрейм `birds_count`. Тези сортирани данни след това се подреждат на същото ниво, за да бъдат начертани в сортиран вид. Използвайки `ggplot2`, след това начертавате данните в стълбовидна диаграма. `coord_flip()` начертава хоризонтални стълбове.
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.bg.png)
+
+Тази стълбовидна диаграма показва добър изглед на броя на птиците във всяка категория. С един поглед виждате, че най-големият брой птици в този регион са в категорията Патици/Гъски/Водоплаващи. Минесота е "земята на 10 000 езера", така че това не е изненадващо!
+
+✅ Опитайте други преброявания върху този набор от данни. Нещо изненадва ли ви?
+
+## Сравняване на данни
+
+Можете да опитате различни сравнения на групирани данни, като създадете нови оси. Опитайте сравнение на MaxLength на птица, базирано на нейната категория:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Групираме данните `birds_filtered` по `Category` и след това начертаваме стълбовидна диаграма.
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.bg.png)
+
+Тук няма нищо изненадващо: колибритата имат най-малка максимална дължина в сравнение с пеликаните или гъските. Добре е, когато данните имат логически смисъл!
+
+Можете да създадете по-интересни визуализации на стълбовидни диаграми, като наслагвате данни. Нека наслагаме минималната и максималната дължина върху дадена категория птици:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.bg.png)
+
+## 🚀 Предизвикателство
+
+Този набор от данни за птици предлага богатство от информация за различни видове птици в определена екосистема. Потърсете в интернет и вижте дали можете да намерите други набори от данни, свързани с птици. Практикувайте създаването на диаграми и графики за тези птици, за да откриете факти, които не сте осъзнавали.  
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Преглед и самостоятелно обучение
+
+Този първи урок ви даде информация за това как да използвате `ggplot2` за визуализиране на количества. Направете проучване за други начини за работа с набори от данни за визуализация. Потърсете и разгледайте набори от данни, които бихте могли да визуализирате, използвайки други пакети като [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) и [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Задача  
+[Линии, точки и стълбове](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/bg/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..32c7b0ad
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:14:05+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Линии, Разпръснати точки и Ленти
+
+## Инструкции
+
+В този урок работихте с линейни графики, разпръснати точки и лентови диаграми, за да покажете интересни факти за този набор от данни. В това задание се задълбочете в набора от данни, за да откриете факт за даден вид птица. Например, създайте скрипт, който визуализира всички интересни данни, които можете да откриете за снежните гъски. Използвайте трите гореспоменати графики, за да разкажете история във вашия бележник.
+
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | --- |
+Представен е скрипт с добри пояснения, солидно разказване на история и привлекателни графики | Скриптът липсва един от тези елементи | Скриптът липсва два от тези елементи
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/bg/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..5720ca71
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,183 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T17:01:26+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на разпределения
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Визуализиране на разпределения - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В предишния урок научихте някои интересни факти за набора от данни за птиците в Минесота. Открихте грешни данни, като визуализирахте отклоненията, и разгледахте разликите между категориите птици според тяхната максимална дължина.
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Изследване на набора от данни за птиците
+
+Друг начин за анализиране на данни е като се разгледа тяхното разпределение, или как данните са организирани по дадена ос. Например, може би искате да научите за общото разпределение в този набор от данни на максималния размах на крилата или максималната телесна маса на птиците в Минесота.
+
+Нека открием някои факти за разпределенията на данните в този набор. В конзолата на R импортирайте `ggplot2` и базата данни. Премахнете отклоненията от базата данни, както направихте в предишната тема.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Име                          | Научно име             | Категория             | Разред       | Семейство | Род         | Статус на опазване | МинДължина | МаксДължина | МинТелеснаМаса | МаксТелеснаМаса | МинРазмахКрила | МаксРазмахКрила |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Черно-коремна свиреща патица | Dendrocygna autumnalis | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Ръждива свиреща патица       | Dendrocygna bicolor    | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Снежна гъска                 | Anser caerulescens     | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Гъска на Рос                 | Anser rossii           | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Голямо бяло-чело гъска       | Anser albifrons        | Патици/Гъски/Водоплаващи | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Обикновено можете бързо да разгледате начина, по който данните са разпределени, като използвате диаграма с точки, както направихме в предишния урок:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![макс дължина по разред](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.bg.png)
+
+Това дава общ преглед на разпределението на дължината на тялото по разред на птиците, но не е най-добрият начин за показване на истински разпределения. Тази задача обикновено се изпълнява чрез създаване на хистограма.
+## Работа с хистограми
+
+`ggplot2` предлага много добри начини за визуализиране на разпределението на данни чрез хистограми. Този тип диаграма е подобен на диаграма с барове, където разпределението може да се види чрез покачването и спадането на баровете. За да създадете хистограма, ви трябват числови данни. За да създадете хистограма, можете да начертаете диаграма, като зададете типа като 'hist' за хистограма. Тази диаграма показва разпределението на MaxBodyMass за целия набор от числови данни. Като разделя масива от данни на по-малки групи, тя може да покаже разпределението на стойностите на данните:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![разпределение за целия набор от данни](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.bg.png)
+
+Както виждате, повечето от 400+ птици в този набор от данни попадат в диапазона под 2000 за тяхната максимална телесна маса. Получете повече информация за данните, като промените параметъра `bins` на по-голямо число, например 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![разпределение-30групи](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.bg.png)
+
+Тази диаграма показва разпределението по малко по-гранулиран начин. Диаграма, която е по-малко изкривена наляво, може да бъде създадена, като се уверите, че избирате само данни в даден диапазон:
+
+Филтрирайте данните си, за да получите само тези птици, чиято телесна маса е под 60, и покажете 30 `bins`:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![филтрирана хистограма](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.bg.png)
+
+✅ Опитайте някои други филтри и точки от данни. За да видите пълното разпределение на данните, премахнете филтъра `['MaxBodyMass']`, за да покажете етикетирани разпределения.
+
+Хистограмата предлага някои приятни цветови и етикетиращи подобрения, които също можете да опитате:
+
+Създайте 2D хистограма, за да сравните връзката между две разпределения. Нека сравним `MaxBodyMass` срещу `MaxLength`. `ggplot2` предлага вграден начин за показване на сближаване чрез по-ярки цветове:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Изглежда, че има очаквана корелация между тези два елемента по очаквана ос, с една особено силна точка на сближаване:
+
+![2d диаграма](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.bg.png)
+
+Хистограмите работят добре по подразбиране за числови данни. Ами ако трябва да видите разпределения според текстови данни? 
+## Изследване на набора от данни за разпределения с текстови данни 
+
+Този набор от данни включва също добра информация за категорията на птиците и техния род, вид и семейство, както и за техния статус на опазване. Нека разгледаме тази информация за опазване. Какво е разпределението на птиците според техния статус на опазване?
+
+> ✅ В набора от данни се използват няколко съкращения за описание на статуса на опазване. Тези съкращения идват от [Категориите на Червения списък на IUCN](https://www.iucnredlist.org/), организация, която каталогизира статуса на видовете.
+> 
+> - CR: Критично застрашен
+> - EN: Застрашен
+> - EX: Изчезнал
+> - LC: Най-малка загриженост
+> - NT: Близо до застрашен
+> - VU: Уязвим
+
+Това са текстови стойности, така че ще трябва да направите трансформация, за да създадете хистограма. Използвайки dataframe-а filteredBirds, покажете неговия статус на опазване заедно с минималния размах на крилата. Какво виждате? 
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![размах на крилата и статус на опазване](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.bg.png)
+
+Не изглежда да има добра корелация между минималния размах на крилата и статуса на опазване. Тествайте други елементи от набора от данни, използвайки този метод. Можете да опитате различни филтри. Откривате ли някаква корелация?
+
+## Плотове на плътност
+
+Може би сте забелязали, че хистограмите, които разгледахме досега, са "стъпаловидни" и не се движат плавно в дъга. За да покажете по-гладка диаграма на плътността, можете да опитате плот на плътност.
+
+Нека сега работим с плотове на плътност!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![плот на плътност](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.bg.png)
+
+Можете да видите как плотът отразява предишния за данните за минималния размах на крилата; той е просто малко по-гладък. Ако искате да преразгледате тази назъбена линия на MaxBodyMass във втората диаграма, която създадохте, можете да я изгладите много добре, като я пресъздадете, използвайки този метод:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![плътност на телесната маса](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.bg.png)
+
+Ако искате гладка, но не прекалено гладка линия, редактирайте параметъра `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![по-малко гладка телесна маса](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.bg.png)
+
+✅ Прочетете за наличните параметри за този тип плот и експериментирайте!
+
+Този тип диаграма предлага красиво обяснителни визуализации. С няколко реда код, например, можете да покажете плътността на максималната телесна маса по разред на птиците:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![телесна маса по разред](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.bg.png)
+
+## 🚀 Предизвикателство
+
+Хистограмите са по-сложен тип диаграма от основните диаграми с точки, барове или линии. Потърсете в интернет добри примери за използването на хистограми. Как се използват, какво демонстрират и в какви области или сфери на изследване обикновено се използват?
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Преглед и самостоятелно обучение
+
+В този урок използвахте `ggplot2` и започнахте да създавате по-сложни диаграми. Направете проучване за `geom_density_2d()` - "непрекъсната крива на плътност на вероятността в едно или повече измерения". Прочетете [документацията](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), за да разберете как работи.
+
+## Задание
+
+[Приложете уменията си](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/bg/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..b72e8f95
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:02:36+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Приложете уменията си
+
+## Инструкции
+
+Досега сте работили с набора от данни за птиците в Минесота, за да откриете информация за количествата и плътността на популацията на птиците. Практикувайте прилагането на тези техники, като опитате с различен набор от данни, може би взет от [Kaggle](https://www.kaggle.com/). Създайте R скрипт, който разказва история за този набор от данни, и не забравяйте да използвате хистограми, когато го обсъждате.
+
+## Критерии за оценка
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | --- |
+Представен е скрипт с пояснения за този набор от данни, включително неговия източник, и използва поне 5 хистограми за откриване на факти за данните. | Представен е скрипт с непълни пояснения или грешки. | Представен е скрипт без пояснения и с грешки.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/bg/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..47ca07ae
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,201 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:21:36+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на пропорции
+
+|![Скица от [(@sketchthedocs)](https://sketchthedocs.dev)](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Визуализиране на пропорции - _Скица от [@nitya](https://twitter.com/nitya)_|
+
+В този урок ще използвате различен набор от данни, свързан с природата, за да визуализирате пропорции, като например колко различни видове гъби се съдържат в даден набор от данни за гъби. Нека изследваме тези очарователни гъби, използвайки набор от данни, предоставен от Audubon, който съдържа информация за 23 вида ламелни гъби от семействата Agaricus и Lepiota. Ще експериментирате с апетитни визуализации като:
+
+- Кръгови диаграми 🥧
+- Пръстеновидни диаграми 🍩
+- Вафлени диаграми 🧇
+
+> 💡 Един много интересен проект, наречен [Charticulator](https://charticulator.com) от Microsoft Research, предлага безплатен интерфейс за визуализация на данни чрез плъзгане и пускане. В един от техните уроци също се използва този набор от данни за гъби! Така че можете да изследвате данните и да научите библиотеката едновременно: [Урок за Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Запознайте се с вашите гъби 🍄
+
+Гъбите са много интересни. Нека импортираме набор от данни, за да ги изучим:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+Таблица се отпечатва с чудесни данни за анализ:
+
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Poisonous | Convex    | Smooth      | Brown     | Bruises | Pungent | Free            | Close        | Narrow    | Black      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Black      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Grasses |
+| Edible    | Bell      | Smooth      | White     | Bruises | Anise   | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Meadows |
+| Poisonous | Convex    | Scaly       | White     | Bruises | Pungent | Free            | Close        | Narrow    | Brown      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban 
+| Edible | Convex       |Smooth       | Green     | No Bruises| None   |Free            | Crowded       | Broad     | Black      | Tapering   | Equal      |  Smooth | Smooth                    | White                 | White                  | Partial    | White     | One         | Evanescent | Brown             | Abundant | Grasses
+|Edible  |  Convex      | Scaly   | Yellow         | Bruises  | Almond  | Free | Close  |   Broad   |   Brown  | Enlarging   |   Club                      | Smooth                  | Smooth    | White                 |  White                | Partial      | White    |  One  |  Pendant | Black   | Numerous | Grasses
+      
+Веднага забелязвате, че всички данни са текстови. Ще трябва да конвертирате тези данни, за да можете да ги използвате в диаграма. Повечето от данните всъщност са представени като обект:
+
+```r
+names(mushrooms)
+```
+
+Резултатът е:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+Вземете тези данни и конвертирайте колоната 'class' в категория:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+
+Сега, ако отпечатате данните за гъбите, ще видите, че те са групирани в категории според класа ядливи/отровни:
+```r
+View(grouped)
+```
+
+
+| class | count |
+| --------- | --------- |
+| Edible | 4208 |
+| Poisonous| 3916 |
+
+
+
+Ако следвате реда, представен в тази таблица, за да създадете етикетите за категорията 'class', можете да изградите кръгова диаграма.
+
+## Кръг!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+Voilà, кръгова диаграма, показваща пропорциите на тези данни според двата класа гъби. Много е важно да се уверите, че редът на етикетите е правилен, особено тук, така че проверете реда, с който е изградена масивът от етикети!
+
+![кръгова диаграма](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.bg.png)
+
+## Пръстени!
+
+Малко по-визуално интересна кръгова диаграма е пръстеновидната диаграма, която е кръгова диаграма с дупка в средата. Нека разгледаме нашите данни, използвайки този метод.
+
+Разгледайте различните местообитания, където растат гъбите:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+Резултатът е:
+| habitat| count |
+| --------- | --------- |
+| Grasses    | 2148 |
+| Leaves| 832 |
+| Meadows    | 292 |
+| Paths| 1144 |
+| Urban    | 368 |
+| Waste| 192 |
+| Wood| 3148 |
+
+
+Тук групирате данните си по местообитание. Има 7 изброени, така че използвайте тях като етикети за вашата пръстеновидна диаграма:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![пръстеновидна диаграма](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.bg.png)
+
+Този код използва две библиотеки - ggplot2 и webr. Използвайки функцията PieDonut от библиотеката webr, можем лесно да създадем пръстеновидна диаграма!
+
+Пръстеновидни диаграми в R могат да се създават и само с библиотеката ggplot2. Можете да научите повече за това [тук](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) и да го изпробвате сами.
+
+Сега, когато знаете как да групирате данните си и след това да ги показвате като кръгова или пръстеновидна диаграма, можете да изследвате и други видове диаграми. Опитайте вафлена диаграма, която е просто различен начин за изследване на количествата.
+## Вафли!
+
+Диаграма тип 'вафла' е различен начин за визуализиране на количества като 2D масив от квадрати. Опитайте да визуализирате различните количества цветове на шапките на гъбите в този набор от данни. За да направите това, трябва да инсталирате помощна библиотека, наречена [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf), и да я използвате, за да генерирате вашата визуализация:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+Изберете сегмент от вашите данни за групиране:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+Създайте вафлена диаграма, като създадете етикети и след това групирате данните си:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+С помощта на вафлена диаграма можете ясно да видите пропорциите на цветовете на шапките в този набор от данни за гъби. Интересно е, че има много гъби със зелени шапки!
+
+![вафлена диаграма](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.bg.png)
+
+В този урок научихте три начина за визуализиране на пропорции. Първо, трябва да групирате данните си в категории и след това да решите кой е най-добрият начин за показване на данните - кръгова, пръстеновидна или вафлена диаграма. Всички са вкусни и предоставят на потребителя моментална снимка на набора от данни.
+
+## 🚀 Предизвикателство
+
+Опитайте да пресъздадете тези вкусни диаграми в [Charticulator](https://charticulator.com).
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Преглед и самостоятелно обучение
+
+Понякога не е очевидно кога да използвате кръгова, пръстеновидна или вафлена диаграма. Ето няколко статии, които да прочетете по тази тема:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Направете проучване, за да намерите повече информация за това трудно решение.
+## Задача
+
+[Опитайте го в Excel](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/bg/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..a1a259a3
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:05:57+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализиране на връзки: Всичко за меда 🍯
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Визуализиране на връзки - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Продължавайки с природната насоченост на нашето изследване, нека открием интересни визуализации, които показват връзките между различните видове мед, според набор от данни, получен от [Министерството на земеделието на САЩ](https://www.nass.usda.gov/About_NASS/index.php).
+
+Този набор от данни, съдържащ около 600 записа, показва производството на мед в много щати на САЩ. Например, можете да разгледате броя на колониите, добива на колония, общото производство, запасите, цената на килограм и стойността на произведения мед в даден щат за периода 1998-2012 г., като всеки ред представлява една година за всеки щат.
+
+Ще бъде интересно да визуализираме връзката между производството на мед в даден щат за година и, например, цената на меда в този щат. Алтернативно, можете да визуализирате връзката между добива на мед на колония в различни щати. Този времеви период обхваща разрушителното явление 'CCD' или 'Синдром на колапс на колониите', което за първи път се наблюдава през 2006 г. (http://npic.orst.edu/envir/ccd.html), така че това е значим набор от данни за изследване. 🐝
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+В този урок можете да използвате ggplot2, която вече сте използвали, като добра библиотека за визуализиране на връзки между променливи. Особено интересна е употребата на `geom_point` и функцията `qplot` на ggplot2, които позволяват създаването на разпръснати графики и линейни графики за бързо визуализиране на '[статистически връзки](https://ggplot2.tidyverse.org/)', което помага на специалистите по данни да разберат по-добре как променливите се свързват помежду си.
+
+## Разпръснати графики
+
+Използвайте разпръсната графика, за да покажете как цената на меда се е развивала през годините, за всеки щат. ggplot2, използвайки `ggplot` и `geom_point`, удобно групира данните по щати и показва точки както за категорийни, така и за числови данни.
+
+Нека започнем с импортиране на данните и Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Ще забележите, че данните за меда имат няколко интересни колони, включително година и цена на килограм. Нека изследваме тези данни, групирани по щати на САЩ:
+
+| щат  | колонии | добив/колония | общо производство | запаси   | цена/кг | стойност на продукцията | година |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Създайте основна разпръсната графика, за да покажете връзката между цената на килограм мед и щата, от който произхожда. Направете `y` оста достатъчно висока, за да показва всички щати:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.bg.png)
+
+Сега покажете същите данни с цветова схема, вдъхновена от мед, за да покажете как цената се развива през годините. Можете да направите това, като добавите параметър 'scale_color_gradientn', който показва промяната година след година:
+
+> ✅ Научете повече за [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - опитайте красива цветова схема с дъга!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.bg.png)
+
+С тази промяна в цветовата схема можете да видите, че има очевидна прогресия през годините по отношение на цената на килограм мед. Всъщност, ако разгледате примерен набор от данни, за да проверите (например щат Аризона), можете да видите модел на увеличение на цената година след година, с малко изключения:
+
+| щат  | колонии | добив/колония | общо производство | запаси  | цена/кг | стойност на продукцията | година |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Друг начин за визуализиране на тази прогресия е използването на размер вместо цвят. За потребители с цветна слепота това може да бъде по-добър вариант. Редактирайте визуализацията си, за да покажете увеличение на цената чрез увеличение на обиколката на точките:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Можете да видите как размерът на точките постепенно се увеличава.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.bg.png)
+
+Дали това е просто случай на търсене и предлагане? Поради фактори като климатични промени и колапс на колониите, има ли по-малко мед за покупка година след година, и затова цената се увеличава?
+
+За да открием корелация между някои от променливите в този набор от данни, нека изследваме някои линейни графики.
+
+## Линейни графики
+
+Въпрос: Има ли ясно увеличение на цената на меда на килограм година след година? Най-лесно можете да откриете това, като създадете единична линейна графика:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Отговор: Да, с някои изключения около 2003 година:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.bg.png)
+
+Въпрос: Е, през 2003 година можем ли да видим и скок в предлагането на мед? Какво ще стане, ако разгледате общото производство година след година?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.bg.png)
+
+Отговор: Не съвсем. Ако разгледате общото производство, всъщност изглежда, че то се е увеличило през тази конкретна година, въпреки че като цяло количеството произведен мед намалява през тези години.
+
+Въпрос: В такъв случай, какво би могло да е причинило този скок в цената на меда около 2003 година?
+
+За да откриете това, можете да изследвате мрежа от фасети.
+
+## Мрежи от фасети
+
+Мрежите от фасети вземат един аспект от вашия набор от данни (в нашия случай можете да изберете 'година', за да избегнете твърде много фасети). Seaborn може да направи графика за всяка от тези фасети на избраните x и y координати за по-лесно визуално сравнение. Изглежда ли 2003 година различна в този тип сравнение?
+
+Създайте мрежа от фасети, използвайки `facet_wrap`, както е препоръчано от [документацията на ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html).
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+В тази визуализация можете да сравните добива на колония и броя на колониите година след година, една до друга, с настройка на wrap на 3 за колоните:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.bg.png)
+
+За този набор от данни нищо особено не изпъква по отношение на броя на колониите и техния добив, година след година и щат след щат. Има ли различен начин за откриване на корелация между тези две променливи?
+
+## Двойни линейни графики
+
+Опитайте многолинейна графика, като наложите две линейни графики една върху друга, използвайки функциите `par` и `plot` на R. Ще начертаем годината на x оста и ще покажем две y оси. Така ще покажем добива на колония и броя на колониите, наложени една върху друга:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.bg.png)
+
+Докато нищо не изпъква около 2003 година, това ни позволява да завършим урока с малко по-щастлива нотка: въпреки че броят на колониите като цяло намалява, той се стабилизира, дори ако техният добив на колония намалява.
+
+Напред, пчели, напред!
+
+🐝❤️
+## 🚀 Предизвикателство
+
+В този урок научихте малко повече за други приложения на разпръснати графики и линейни мрежи, включително мрежи от фасети. Предизвикайте себе си да създадете мрежа от фасети, използвайки различен набор от данни, може би такъв, който сте използвали преди тези уроци. Обърнете внимание колко време отнема създаването им и колко внимателно трябва да подхождате към броя на мрежите, които трябва да начертаете, използвайки тези техники.
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Преглед и самостоятелно обучение
+
+Линейните графики могат да бъдат прости или доста сложни. Прочетете малко повече в [документацията на ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) за различните начини, по които можете да ги изградите. Опитайте да подобрите линейните графики, които създадохте в този урок, с други методи, изброени в документацията.
+## Задание
+
+[Потопете се в кошера](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/bg/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..b379ea83
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:17:44+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "bg"
+}
+-->
+# Създаване на смислени визуализации
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Смислени визуализации - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+> "Ако измъчвате данните достатъчно дълго, те ще признаят всичко" -- [Роналд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Едно от основните умения на специалиста по данни е способността да създава смислена визуализация на данни, която помага да се отговори на въпросите, които може да имате. Преди да визуализирате данните си, трябва да се уверите, че те са почистени и подготвени, както направихте в предишните уроци. След това можете да започнете да решавате как най-добре да представите данните.
+
+В този урок ще разгледате:
+
+1. Как да изберете правилния тип диаграма
+2. Как да избегнете подвеждащи визуализации
+3. Как да работите с цветове
+4. Как да стилизирате диаграмите си за по-добра четливост
+5. Как да създавате анимирани или 3D визуализации
+6. Как да изградите креативна визуализация
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Избор на правилния тип диаграма
+
+В предишни уроци експериментирахте със създаването на различни интересни визуализации на данни, използвайки Matplotlib и Seaborn за диаграми. По принцип можете да изберете [правилния тип диаграма](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) за въпроса, който задавате, като използвате тази таблица:
+
+| Трябва да:                 | Трябва да използвате:           |
+| -------------------------- | ------------------------------- |
+| Показвате тенденции във времето | Линейна диаграма               |
+| Сравнявате категории       | Лентова, Кръгова диаграма       |
+| Сравнявате общи стойности   | Кръгова, Слоеста лентова диаграма |
+| Показвате връзки           | Разпръсната, Линейна, Фасетна, Двойна линейна диаграма |
+| Показвате разпределения    | Разпръсната, Хистограма, Кутия |
+| Показвате пропорции        | Кръгова, Донът, Вафлена диаграма |
+
+> ✅ В зависимост от състава на вашите данни, може да се наложи да ги преобразувате от текстови в числови, за да поддържате даден тип диаграма.
+
+## Избягване на подвеждане
+
+Дори ако специалистът по данни внимателно избере правилната диаграма за правилните данни, има много начини, по които данните могат да бъдат представени, за да докажат дадена теза, често за сметка на самите данни. Има много примери за подвеждащи диаграми и инфографики!
+
+[![Как диаграмите лъжат от Алберто Кайро](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.bg.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Как диаграмите лъжат")
+
+> 🎥 Кликнете върху изображението по-горе за конференция относно подвеждащи диаграми
+
+Тази диаграма обръща оста X, за да покаже обратното на истината, базирано на дата:
+
+![лоша диаграма 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.bg.png)
+
+[Тази диаграма](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) е още по-подвеждаща, тъй като окото се насочва към заключението, че с времето случаите на COVID са намалели в различните окръзи. Всъщност, ако погледнете внимателно датите, ще откриете, че те са пренаредени, за да създадат този подвеждащ низходящ тренд.
+
+![лоша диаграма 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.bg.jpg)
+
+Този известен пример използва цветове И обърната ос Y, за да заблуди: вместо да заключите, че смъртните случаи от огнестрелни оръжия са се увеличили след приемането на законодателство, благоприятстващо оръжията, окото е заблудено да мисли, че обратното е вярно:
+
+![лоша диаграма 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.bg.jpg)
+
+Тази странна диаграма показва как пропорциите могат да бъдат манипулирани, с комичен ефект:
+
+![лоша диаграма 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.bg.jpg)
+
+Сравняването на несравними неща е още един съмнителен трик. Има [чудесен уебсайт](https://tylervigen.com/spurious-correlations), посветен на 'фалшиви корелации', показващ 'факти', които корелират неща като процента на разводите в Мейн и консумацията на маргарин. Група в Reddit също събира [грозни примери](https://www.reddit.com/r/dataisugly/top/?t=all) за използване на данни.
+
+Важно е да разберете колко лесно окото може да бъде заблудено от подвеждащи диаграми. Дори ако намерението на специалиста по данни е добро, изборът на неподходящ тип диаграма, като кръгова диаграма с твърде много категории, може да бъде подвеждащ.
+
+## Цветове
+
+Видяхте в диаграмата за 'насилие с оръжие във Флорида' как цветът може да добави допълнителен слой смисъл към диаграмите, особено тези, които не са проектирани с библиотеки като ggplot2 и RColorBrewer, които идват с различни проверени цветови библиотеки и палитри. Ако създавате диаграма ръчно, направете малко проучване на [теорията на цветовете](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Бъдете наясно, когато проектирате диаграми, че достъпността е важен аспект на визуализацията. Някои от вашите потребители може да са цветно слепи - дали вашата диаграма се показва добре за потребители с визуални увреждания?
+
+Бъдете внимателни при избора на цветове за вашата диаграма, тъй като цветът може да предаде значение, което не сте възнамерявали. 'Розовите дами' в диаграмата за 'височина' по-горе предават ясно 'женствено' значение, което добавя към странността на самата диаграма.
+
+Докато [значението на цветовете](https://colormatters.com/color-symbolism/the-meanings-of-colors) може да бъде различно в различни части на света и има тенденция да се променя според нюанса им, общо казано, значенията на цветовете включват:
+
+| Цвят   | Значение             |
+| ------ | ------------------- |
+| червен | сила                |
+| син    | доверие, лоялност   |
+| жълт   | щастие, предпазливост|
+| зелен  | екология, късмет, завист |
+| лилав  | щастие              |
+| оранжев| жизненост           |
+
+Ако ви е възложено да създадете диаграма с персонализирани цветове, уверете се, че вашите диаграми са както достъпни, така и че цветът, който избирате, съответства на значението, което се опитвате да предадете.
+
+## Стилизиране на диаграмите за четливост
+
+Диаграмите не са смислени, ако не са четливи! Отделете момент, за да обмислите стилизирането на ширината и височината на вашата диаграма, така че да се мащабира добре с вашите данни. Ако трябва да покажете една променлива (като всички 50 щата), покажете ги вертикално на оста Y, ако е възможно, за да избегнете диаграма с хоризонтално превъртане.
+
+Надпишете осите си, предоставете легенда, ако е необходимо, и предложете подсказки за по-добро разбиране на данните.
+
+Ако вашите данни са текстови и подробни на оста X, можете да наклоните текста за по-добра четливост. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) предлага 3D графики, ако вашите данни го поддържат. Сложни визуализации на данни могат да бъдат създадени с него.
+
+![3D диаграми](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.bg.png)
+
+## Анимация и 3D визуализация
+
+Някои от най-добрите визуализации на данни днес са анимирани. Шърли Ву има невероятни примери, направени с D3, като '[цветя от филми](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', където всяко цвете е визуализация на филм. Друг пример за Guardian е 'bussed out', интерактивно преживяване, комбиниращо визуализации с Greensock и D3 плюс формат на статия с разказ, за да покаже как Ню Йорк се справя с проблема с бездомните, като ги изпраща извън града.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.bg.png)
+
+> "Bussed Out: Как Америка премества своите бездомни" от [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Визуализации от Надие Бремер и Шърли Ву
+
+Докато този урок не е достатъчен, за да навлезе в дълбочина и да ви научи на тези мощни библиотеки за визуализация, опитайте да използвате D3 в приложение Vue.js, като използвате библиотека за визуализация на книгата "Опасни връзки" като анимирана социална мрежа.
+
+> "Опасни връзки" е епистоларен роман, или роман, представен като поредица от писма. Написан през 1782 г. от Шодерло дьо Лакло, той разказва историята за жестоките, морално банкрутирани социални маневри на двама дуелиращи се протагонисти от френската аристокрация в края на 18-ти век, виконт дьо Валмон и маркиза дьо Мертьой. И двамата срещат своя край, но не без да нанесат значителни социални щети. Романът се развива като поредица от писма, написани до различни хора в техните кръгове, планиращи отмъщение или просто създаващи проблеми. Създайте визуализация на тези писма, за да откриете основните фигури в разказа, визуално.
+
+Ще завършите уеб приложение, което ще показва анимиран изглед на тази социална мрежа. То използва библиотека, създадена за [визуализация на мрежа](https://github.com/emiliorizzo/vue-d3-network) с Vue.js и D3. Когато приложението работи, можете да местите възлите на екрана, за да пренареждате данните.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.bg.png)
+
+## Проект: Създаване на диаграма за показване на мрежа с D3.js
+
+> Тази папка на урока включва папка `solution`, където можете да намерите завършения проект за ваша справка.
+
+1. Следвайте инструкциите в README.md файла в корена на папката `starter`. Уверете се, че имате инсталирани NPM и Node.js на вашата машина, преди да инсталирате зависимостите на проекта.
+
+2. Отворете папката `starter/src`. Ще откриете папка `assets`, където можете да намерите .json файл с всички писма от романа, номерирани, с анотации 'до' и 'от'.
+
+3. Завършете кода в `components/Nodes.vue`, за да активирате визуализацията. Потърсете метода, наречен `createLinks()` и добавете следния вложен цикъл.
+
+Циклирайте през .json обекта, за да извлечете данните 'до' и 'от' за писмата и изградете обекта `links`, така че библиотеката за визуализация да може да го използва:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Стартирайте приложението си от терминала (npm run serve) и се насладете на визуализацията!
+
+## 🚀 Предизвикателство
+
+Направете обиколка из интернет, за да откриете подвеждащи визуализации. Как авторът заблуждава потребителя и дали това е умишлено? Опитайте да коригирате визуализациите, за да покажете как трябва да изглеждат.
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Преглед и самостоятелно обучение
+
+Ето някои статии за четене относно подвеждащи визуализации на данни:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Разгледайте тези интересни визуализации за исторически активи и артефакти:
+
+https://handbook.pubpub.org/
+
+Прегледайте тази статия за това как анимацията може да подобри вашите визуализации:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Задача
+
+[Създайте своя собствена персонализирана визуализация](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/3-Data-Visualization/README.md b/translations/bg/3-Data-Visualization/README.md
new file mode 100644
index 00000000..c4ac010c
--- /dev/null
+++ b/translations/bg/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:42:16+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "bg"
+}
+-->
+# Визуализации
+
+![пчела върху цвете лавандула](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.bg.jpg)
+> Снимка 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>
+
+Визуализирането на данни е една от най-важните задачи на специалиста по данни. Една картина казва повече от хиляда думи, а визуализацията може да ви помогне да идентифицирате всякакви интересни аспекти на вашите данни, като пикове, отклонения, групирания, тенденции и други, които могат да ви помогнат да разберете историята, която вашите данни се опитват да разкажат.
+
+В тези пет урока ще изследвате данни, извлечени от природата, и ще създавате интересни и красиви визуализации, използвайки различни техники.
+
+| Номер на тема | Тема | Свързан урок | Автор |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | Визуализиране на количества | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Визуализиране на разпределения | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Визуализиране на пропорции | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Визуализиране на взаимоотношения | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Създаване на значими визуализации | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Кредити
+
+Тези уроци за визуализации са написани с 🌸 от [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) и [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Данните за производството на мед в САЩ са взети от проекта на Jessica Li в [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Данните](https://usda.library.cornell.edu/concern/publications/rn301137d) са извлечени от [Министерството на земеделието на САЩ](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Данните за гъбите също са взети от [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), ревизирани от Hatteras Dunton. Този набор от данни включва описания на хипотетични проби, съответстващи на 23 вида гъби с пластинки от семейството Agaricus и Lepiota. Данните за гъбите са взети от "The Audubon Society Field Guide to North American Mushrooms" (1981). Този набор от данни е дарен на UCI ML 27 през 1987 г.
+
+🦆 Данните за птиците в Минесота са от [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), извлечени от [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) от Hannah Collins.
+
+Всички тези набори от данни са лицензирани като [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/bg/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..e4e46052
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:26:40+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "bg"
+}
+-->
+# Въведение в жизнения цикъл на науката за данни
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Въведение в жизнения цикъл на науката за данни - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+## [Тест преди лекцията](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+До този момент вероятно сте осъзнали, че науката за данни е процес. Този процес може да бъде разделен на 5 етапа:
+
+- Събиране
+- Обработка
+- Анализ
+- Комуникация
+- Поддръжка
+
+Тази лекция се фокусира върху 3 части от жизнения цикъл: събиране, обработка и поддръжка.
+
+![Диаграма на жизнения цикъл на науката за данни](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.bg.jpg)  
+> Снимка от [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Събиране
+
+Първият етап от жизнения цикъл е много важен, тъй като следващите етапи зависят от него. Той практически комбинира два етапа в един: придобиване на данни и дефиниране на целите и проблемите, които трябва да бъдат решени.  
+Дефинирането на целите на проекта изисква по-дълбок контекст относно проблема или въпроса. Първо, трябва да идентифицираме и придобием тези, които се нуждаят от решаване на проблема си. Това могат да бъдат заинтересовани страни в бизнеса или спонсори на проекта, които могат да помогнат да се определи кой или какво ще се възползва от този проект, както и какво и защо им е необходимо. Добре дефинираната цел трябва да бъде измерима и количествена, за да се определи приемлив резултат.
+
+Въпроси, които един специалист по данни може да зададе:
+- Подходено ли е към този проблем преди? Какво е открито?
+- Разбрана ли е целта от всички участници?
+- Има ли неясноти и как да ги намалим?
+- Какви са ограниченията?
+- Как би изглеждал крайният резултат?
+- Колко ресурси (време, хора, изчислителни) са налични?
+
+Следва идентифициране, събиране и накрая изследване на данните, необходими за постигане на тези дефинирани цели. На този етап от придобиването специалистите по данни трябва също да оценят количеството и качеството на данните. Това изисква известно изследване на данните, за да се потвърди, че придобитото ще подкрепи постигането на желания резултат.
+
+Въпроси, които един специалист по данни може да зададе относно данните:
+- Какви данни вече са ми налични?
+- Кой притежава тези данни?
+- Какви са притесненията относно поверителността?
+- Имам ли достатъчно, за да реша този проблем?
+- Данните с достатъчно качество ли са за този проблем?
+- Ако открия допълнителна информация чрез тези данни, трябва ли да обмислим промяна или преформулиране на целите?
+
+## Обработка
+
+Етапът на обработка в жизнения цикъл се фокусира върху откриването на модели в данните, както и върху моделирането. Някои техники, използвани в този етап, изискват статистически методи за разкриване на модели. Обикновено това би било трудоемка задача за човек при работа с голям набор от данни и ще разчита на компютри за ускоряване на процеса. Този етап е и мястото, където науката за данни и машинното обучение се пресичат. Както научихте в първата лекция, машинното обучение е процесът на изграждане на модели за разбиране на данните. Моделите представляват връзката между променливите в данните, която помага за прогнозиране на резултати.
+
+Често използвани техники в този етап са разгледани в учебната програма за начинаещи в машинното обучение. Следвайте връзките, за да научите повече за тях:
+
+- [Класификация](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Организиране на данни в категории за по-ефективно използване.
+- [Клъстериране](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Групиране на данни в подобни групи.
+- [Регресия](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Определяне на връзките между променливите за прогнозиране или предвиждане на стойности.
+
+## Поддръжка
+
+В диаграмата на жизнения цикъл може да сте забелязали, че поддръжката се намира между събирането и обработката. Поддръжката е непрекъснат процес на управление, съхранение и защита на данните през целия процес на проекта и трябва да се взема предвид през цялото време на проекта.
+
+### Съхранение на данни
+
+Решенията за това как и къде се съхраняват данните могат да повлияят на разходите за съхранение, както и на производителността при достъп до данните. Такива решения вероятно няма да бъдат взети само от специалист по данни, но той може да се наложи да прави избори как да работи с данните въз основа на начина, по който са съхранени.
+
+Ето някои аспекти на съвременните системи за съхранение на данни, които могат да повлияят на тези избори:
+
+**На място срещу извън място срещу публичен или частен облак**
+
+На място се отнася до хостване и управление на данните на собствено оборудване, като например притежаване на сървър с твърди дискове, които съхраняват данните, докато извън място разчита на оборудване, което не притежавате, като например център за данни. Публичният облак е популярен избор за съхранение на данни, който не изисква знания за това как или къде точно се съхраняват данните, като "публичен" се отнася до унифицирана основна инфраструктура, която се споделя от всички, които използват облака. Някои организации имат строги политики за сигурност, които изискват пълен достъп до оборудването, където се хостват данните, и ще разчитат на частен облак, който предоставя собствени облачни услуги. Ще научите повече за данните в облака в [следващи уроци](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Студени срещу горещи данни**
+
+Когато обучавате своите модели, може да се нуждаете от повече тренировъчни данни. Ако сте доволни от модела си, ще пристигат повече данни, за да може моделът да изпълнява своята цел. Във всеки случай разходите за съхранение и достъп до данни ще се увеличат с натрупването на повече от тях. Разделянето на рядко използвани данни, известни като студени данни, от често достъпваните горещи данни може да бъде по-евтин вариант за съхранение чрез хардуерни или софтуерни услуги. Ако студените данни трябва да бъдат достъпени, може да отнеме малко повече време за извличане в сравнение с горещите данни.
+
+### Управление на данни
+
+Докато работите с данни, може да откриете, че някои от тях трябва да бъдат почистени, използвайки някои от техниките, разгледани в урока за [подготовка на данни](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), за да изградите точни модели. Когато пристигнат нови данни, те ще се нуждаят от същите приложения за поддържане на консистентност в качеството. Някои проекти ще включват използването на автоматизиран инструмент за почистване, агрегиране и компресиране, преди данните да бъдат преместени на крайното си местоположение. Azure Data Factory е пример за един от тези инструменти.
+
+### Защита на данните
+
+Една от основните цели на защитата на данните е да се гарантира, че тези, които работят с тях, контролират какво се събира и в какъв контекст се използва. Поддържането на сигурността на данните включва ограничаване на достъпа само до тези, които се нуждаят от него, спазване на местните закони и регулации, както и поддържане на етични стандарти, разгледани в [урока за етика](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Ето някои неща, които екипът може да направи, имайки предвид сигурността:
+- Потвърждаване, че всички данни са криптирани
+- Предоставяне на информация на клиентите за това как се използват техните данни
+- Премахване на достъпа до данни за тези, които са напуснали проекта
+- Позволяване само на определени членове на проекта да променят данните
+
+## 🚀 Предизвикателство
+
+Съществуват много версии на жизнения цикъл на науката за данни, където всяка стъпка може да има различни имена и брой етапи, но ще съдържа същите процеси, споменати в този урок.
+
+Разгледайте [жизнения цикъл на процеса за екипна наука за данни](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) и [стандарта за процеси за извличане на данни в различни индустрии](https://www.datascience-pm.com/crisp-dm-2/). Назовете 3 прилики и разлики между тях.
+
+|Процес за екипна наука за данни (TDSP)|Стандарт за процеси за извличане на данни в различни индустрии (CRISP-DM)|
+|--|--|
+|![Жизнен цикъл на екипната наука за данни](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.bg.png) | ![Изображение на алианса за процеси в науката за данни](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.bg.png) |
+| 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 след лекцията](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Преглед и самостоятелно обучение
+
+Прилагането на жизнения цикъл на науката за данни включва множество роли и задачи, като някои могат да се фокусират върху конкретни части от всеки етап. Процесът за екипна наука за данни предоставя няколко ресурса, които обясняват типовете роли и задачи, които някой може да има в проект.
+
+* [Роли и задачи в процеса за екипна наука за данни](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
+* [Изпълнение на задачи в науката за данни: изследване, моделиране и внедряване](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Задание
+
+[Оценка на набор от данни](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/bg/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..6ef6f7bb
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:28:33+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Оценка на набор от данни
+
+Клиент се е обърнал към вашия екип за помощ при изследване на сезонните навици за разходи на клиентите на таксита в Ню Йорк.
+
+Те искат да знаят: **Дават ли пътниците на жълтите таксита в Ню Йорк повече бакшиши на шофьорите през зимата или лятото?**
+
+Вашият екип се намира в етапа [Събиране](Readme.md#Capturing) от Жизнения цикъл на данните, а вие сте отговорни за обработката на набора от данни. Предоставени са ви тетрадка и [данни](../../../../data/taxi.csv) за изследване.
+
+В тази директория има [тетрадка](notebook.ipynb), която използва Python за зареждане на данни за пътувания с жълти таксита от [Комисията за таксита и лимузини на Ню Йорк](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). 
+Можете също така да отворите файла с данни за такситата в текстов редактор или софтуер за електронни таблици като Excel.
+
+## Инструкции
+
+- Оценете дали данните в този набор от данни могат да помогнат за отговора на въпроса.
+- Разгледайте [каталога на отворените данни на Ню Йорк](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Идентифицирайте допълнителен набор от данни, който потенциално би могъл да бъде полезен за отговора на въпроса на клиента.
+- Напишете 3 въпроса, които бихте задали на клиента за повече яснота и по-добро разбиране на проблема.
+
+Обърнете се към [речника на набора от данни](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) и [ръководството за потребителя](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) за повече информация относно данните.
+
+## Рубрика
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | ---
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/bg/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..e8ecb36b
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,60 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:30:42+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "bg"
+}
+-->
+# Жизнен цикъл на науката за данни: Анализиране
+
+|![ Скицнота от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Жизнен цикъл на науката за данни: Анализиране - _Скицнота от [@nitya](https://twitter.com/nitya)_ |
+
+## Предварителен тест
+
+## [Предварителен тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Анализирането в жизнения цикъл на данните потвърждава, че данните могат да отговорят на зададените въпроси или да решат конкретен проблем. Тази стъпка също така се фокусира върху потвърждаването, че моделът правилно адресира тези въпроси и проблеми. Този урок е посветен на Експлораторния анализ на данни (EDA), който включва техники за дефиниране на характеристики и връзки в данните и може да се използва за подготовка на данните за моделиране.
+
+Ще използваме примерен набор от данни от [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), за да покажем как това може да се приложи с Python и библиотеката Pandas. Този набор от данни съдържа броя на някои често срещани думи, открити в имейли, като източниците на тези имейли са анонимни. Използвайте [тетрадката](notebook.ipynb) в тази директория, за да следвате урока.
+
+## Експлораторен анализ на данни
+
+Фазата на събиране в жизнения цикъл е мястото, където се придобиват данните, както и проблемите и въпросите, които трябва да се решат. Но как можем да сме сигурни, че данните могат да подкрепят крайния резултат? 
+Припомнете си, че учените по данни могат да зададат следните въпроси, когато придобиват данни:
+-   Имам ли достатъчно данни, за да реша този проблем?
+-   Данните с достатъчно добро качество ли са за този проблем?
+-   Ако открия допълнителна информация чрез тези данни, трябва ли да обмислим промяна или преформулиране на целите?
+Експлораторният анализ на данни е процесът на опознаване на данните и може да се използва за отговор на тези въпроси, както и за идентифициране на предизвикателствата при работа с набора от данни. Нека се фокусираме върху някои от техниките, използвани за постигане на това.
+
+## Профилиране на данни, описателна статистика и Pandas
+Как можем да оценим дали имаме достатъчно данни, за да решим този проблем? Профилирането на данни може да обобщи и събере обща информация за нашия набор от данни чрез техники на описателната статистика. Профилирането на данни ни помага да разберем какво е налично за нас, а описателната статистика ни помага да разберем колко неща са налични.
+
+В някои от предишните уроци използвахме Pandas, за да предоставим описателна статистика с функцията [`describe()`]( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Тя предоставя броя, максималните и минималните стойности, средната стойност, стандартното отклонение и квантилите за числовите данни. Използването на описателна статистика като функцията `describe()` може да ви помогне да оцените колко данни имате и дали се нуждаете от повече.
+
+## Извадки и заявки
+Изследването на всичко в голям набор от данни може да бъде много времеемко и обикновено е задача, оставена на компютъра. Въпреки това, извадките са полезен инструмент за разбиране на данните и ни позволяват да имаме по-добро разбиране за това какво съдържа наборът от данни и какво представлява. С извадка можете да приложите вероятност и статистика, за да стигнете до някои общи заключения за вашите данни. Въпреки че няма определено правило за това колко данни трябва да извадите, важно е да отбележите, че колкото повече данни извадите, толкова по-прецизна ще бъде вашата обобщена представа за данните. 
+Pandas има функцията [`sample()` в своята библиотека](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), където можете да предадете аргумент за това колко случайни извадки искате да получите и използвате.
+
+Общото задаване на заявки към данните може да ви помогне да отговорите на някои общи въпроси и теории, които може да имате. За разлика от извадките, заявките ви позволяват да имате контрол и да се фокусирате върху конкретни части от данните, за които имате въпроси. 
+Функцията [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) в библиотеката Pandas ви позволява да избирате колони и да получавате прости отговори за данните чрез извлечените редове.
+
+## Изследване с визуализации
+Не е необходимо да чакате, докато данните бъдат напълно почистени и анализирани, за да започнете да създавате визуализации. Всъщност наличието на визуално представяне по време на изследването може да помогне за идентифициране на модели, връзки и проблеми в данните. Освен това визуализациите предоставят средство за комуникация с тези, които не са ангажирани с управлението на данните, и могат да бъдат възможност за споделяне и изясняване на допълнителни въпроси, които не са били адресирани в етапа на събиране. Вижте [раздела за визуализации](../../../../../../../../../3-Data-Visualization), за да научите повече за някои популярни начини за визуално изследване.
+
+## Изследване за идентифициране на несъответствия
+Всички теми в този урок могат да помогнат за идентифициране на липсващи или несъответстващи стойности, но Pandas предоставя функции за проверка на някои от тях. [isna() или isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) могат да проверят за липсващи стойности. Важен аспект на изследването на тези стойности в данните ви е да разберете защо те са се оказали такива на първо място. Това може да ви помогне да решите какви [действия да предприемете, за да ги разрешите](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Предварителен тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Задача
+
+[Изследване за отговори](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/bg/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..ab6f371a
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:32:14+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Изследване за отговори
+
+Това е продължение на [заданието](../14-Introduction/assignment.md) от предишния урок, където разгледахме набързо набора от данни. Сега ще направим по-задълбочен анализ на данните.
+
+Отново, въпросът, който клиентът иска да разбере: **Дават ли пътниците на жълтите таксита в Ню Йорк по-големи бакшиши на шофьорите през зимата или лятото?**
+
+Вашият екип се намира в етапа [Анализиране](README.md) от Жизнения цикъл на науката за данни, където сте отговорни за извършване на изследователски анализ на данните. На ваше разположение са предоставени тетрадка и набор от данни, съдържащи 200 таксиметрови транзакции от януари и юли 2019 г.
+
+## Инструкции
+
+В тази директория се намират [тетрадка](assignment.ipynb) и данни от [Комисията за таксита и лимузини](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Обърнете се към [речника на набора от данни](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) и [ръководството за потребителя](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) за повече информация относно данните.
+
+Използвайте някои от техниките в този урок, за да направите свой собствен изследователски анализ в тетрадката (добавете клетки, ако е необходимо) и отговорете на следните въпроси:
+
+- Какви други фактори в данните биха могли да повлияят на размера на бакшиша?
+- Кои колони най-вероятно няма да са необходими за отговора на въпросите на клиента?
+- Въз основа на предоставеното до момента, изглежда ли, че данните предоставят доказателства за сезонно поведение при даването на бакшиши?
+
+## Рубрика
+
+Отлично | Задоволително | Нуждае се от подобрение
+--- | --- | ---
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/16-communication/README.md b/translations/bg/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..daf3f2ae
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,220 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:38:38+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "bg"
+}
+-->
+# Жизнен цикъл на науката за данни: Комуникация
+
+|![Скица от [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Жизнен цикъл на науката за данни: Комуникация - _Скица от [@nitya](https://twitter.com/nitya)_ |
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Проверете знанията си за предстоящото с теста преди лекцията по-горе!
+
+# Въведение
+
+### Какво е комуникация?
+Нека започнем този урок с дефиниция на това какво означава да комуникираме. **Да комуникираш означава да предаваш или обменяш информация.** Информацията може да бъде идеи, мисли, чувства, съобщения, скрити сигнали, данни – всичко, което **_изпращачът_** (този, който изпраща информация) иска **_получателят_** (този, който получава информация) да разбере. В този урок ще наричаме изпращачите комуникатори, а получателите – аудитория.
+
+### Комуникация на данни и разказване на истории
+Разбираме, че при комуникацията целта е да се предаде или обменя информация. Но когато комуникирате данни, целта ви не трябва да бъде просто да предадете числа на аудиторията си. Целта ви трябва да бъде да разкажете история, която е информирана от вашите данни – ефективната комуникация на данни и разказването на истории вървят ръка за ръка. Аудиторията ви е по-вероятно да запомни история, която разкажете, отколкото число, което дадете. По-късно в този урок ще разгледаме няколко начина, по които можете да използвате разказването на истории, за да комуникирате данните си по-ефективно.
+
+### Видове комуникация
+В този урок ще бъдат разгледани два различни вида комуникация: еднопосочна комуникация и двупосочна комуникация.
+
+**Еднопосочната комуникация** се случва, когато изпращачът изпраща информация на получателя, без да получава обратна връзка или отговор. Примери за еднопосочна комуникация виждаме всеки ден – в масови имейли, когато новините съобщават последните събития или дори когато телевизионна реклама ви информира защо техният продукт е страхотен. Във всеки от тези случаи изпращачът не търси обмен на информация. Той просто иска да предаде или достави информация.
+
+**Двупосочната комуникация** се случва, когато всички участващи страни действат както като изпращачи, така и като получатели. Изпращачът започва, като комуникира с получателя, а получателят предоставя обратна връзка или отговор. Двупосочната комуникация е това, което традиционно разбираме под комуникация. Обикновено си представяме хора, които водят разговор – било то лично, по телефон, в социалните мрежи или чрез текстови съобщения.
+
+Когато комуникирате данни, ще има случаи, в които ще използвате еднопосочна комуникация (например при презентация на конференция или пред голяма група, където въпроси няма да бъдат задавани веднага след това), и случаи, в които ще използвате двупосочна комуникация (например когато използвате данни, за да убедите няколко заинтересовани страни да подкрепят идея, или за да убедите колега, че си струва да се вложат време и усилия в изграждането на нещо ново).
+
+# Ефективна комуникация
+
+### Вашите отговорности като комуникатор
+Когато комуникирате, ваша задача е да се уверите, че получателите разбират информацията, която искате да предадете. Когато комуникирате данни, не искате получателите ви просто да запомнят числа – искате те да запомнят история, която е информирана от вашите данни. Добрият комуникатор на данни е добър разказвач.
+
+Как да разкажете история с данни? Има безброй начини – но по-долу са изброени 6, които ще разгледаме в този урок:
+1. Разберете своята аудитория, своя канал и своя метод на комуникация
+2. Започнете с крайния резултат в ума
+3. Подходете като към истинска история
+4. Използвайте значими думи и фрази
+5. Използвайте емоция
+
+Всеки от тези подходи е обяснен по-подробно по-долу.
+
+### 1. Разберете своята аудитория, своя канал и своя метод на комуникация
+Начинът, по който комуникирате със семейството си, вероятно е различен от начина, по който комуникирате с приятелите си. Вероятно използвате различни думи и фрази, които хората, с които говорите, е по-вероятно да разберат. Трябва да подходите по същия начин, когато комуникирате данни. Помислете за това, с кого комуникирате. Помислете за техните цели и контекста, който имат около ситуацията, която обяснявате.
+
+Вероятно можете да групирате по-голямата част от аудиторията си в определена категория. В статия на _Harvard Business Review_, “[Как да разкажем история с данни](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)”, стратегът на Dell Джим Стикълтър идентифицира пет категории аудитории:
+
+- **Начинаещи**: първи досег с темата, но не искат прекалено опростяване
+- **Общи слушатели**: запознати с темата, но търсят общо разбиране и основни теми
+- **Мениджъри**: задълбочено, приложимо разбиране на сложностите и взаимовръзките с достъп до детайли
+- **Експерти**: повече изследване и открития, по-малко разказване на истории, с голямо внимание към детайлите
+- **Ръководители**: имат време само да разберат значението и заключенията от вероятностите
+
+Тези категории могат да ви помогнат да определите как да представите данните си на аудиторията.
+
+Освен това, че мислите за категорията на аудиторията си, трябва да обмислите и канала, който използвате за комуникация. Подходът ви трябва да бъде малко по-различен, ако пишете мемо или имейл, в сравнение с това, ако провеждате среща или правите презентация на конференция.
+
+На всичкото отгоре, разбирането на това как ще комуникирате с тях (чрез еднопосочна или двупосочна комуникация) също е от съществено значение.
+
+Ако комуникирате с предимно начинаеща аудитория и използвате еднопосочна комуникация, първо трябва да образовате аудиторията и да им дадете подходящ контекст. След това трябва да им представите данните си и да им обясните какво означават те и защо са важни. В този случай може да искате да се фокусирате върху постигането на яснота, защото аудиторията ви няма да може да ви зададе директни въпроси.
+
+Ако комуникирате с предимно мениджърска аудитория и използвате двупосочна комуникация, вероятно няма да е необходимо да образовате аудиторията си или да им предоставяте много контекст. Може да преминете директно към обсъждане на събраните данни и тяхното значение. В този сценарий обаче трябва да се фокусирате върху времето и контрола на презентацията си. При двупосочна комуникация (особено с мениджърска аудитория, която търси „приложимо разбиране на сложностите и взаимовръзките с достъп до детайли“) може да възникнат въпроси, които да отклонят дискусията в посока, която не е свързана с историята, която се опитвате да разкажете. Когато това се случи, можете да предприемете действия и да върнете дискусията към основната си история.
+
+### 2. Започнете с крайния резултат в ума
+Започването с крайния резултат в ума означава да разберете какво искате аудиторията ви да запомни, преди да започнете да комуникирате с нея. Обмислянето на това, което искате аудиторията ви да запомни предварително, може да ви помогне да създадете история, която тя да следва. Започването с крайния резултат в ума е подходящо както за еднопосочна, така и за двупосочна комуникация.
+
+Как да започнете с крайния резултат в ума? Преди да комуникирате данните си, запишете основните си изводи. След това, на всяка стъпка от подготовката на историята, която искате да разкажете с данните си, се питайте: „Как това се вписва в историята, която разказвам?“
+
+Бъдете внимателни – докато започването с крайния резултат в ума е идеално, не искате да комуникирате само данните, които подкрепят вашите изводи. Това се нарича избирателно представяне, което се случва, когато комуникаторът представя само данни, които подкрепят неговата гледна точка, и игнорира всички останали данни.
+
+Ако всички събрани данни ясно подкрепят вашите изводи – чудесно. Но ако има данни, които не подкрепят вашите изводи или дори подкрепят аргумент срещу тях, трябва също да ги комуникирате. Ако това се случи, бъдете откровени с аудиторията си и обяснете защо избирате да се придържате към историята си, въпреки че не всички данни я подкрепят.
+
+### 3. Подходете като към истинска история
+Традиционната история се развива в 5 фази. Може би сте чували тези фази като експозиция, нарастващо действие, кулминация, спадащо действие и развръзка. Или по-лесно запомнящите се: контекст, конфликт, кулминация, затваряне, заключение. Когато комуникирате данните и историята си, можете да подходите по подобен начин.
+
+Можете да започнете с контекста, да зададете сцената и да се уверите, че аудиторията ви е на една и съща страница. След това въведете конфликта. Защо трябваше да съберете тези данни? Какви проблеми се опитвахте да решите? След това кулминацията. Какви са данните? Какво означават те? Какви решения предлагат данните? След това идва затварянето, където можете да повторите проблема и предложените решения. Накрая стигаме до заключението, където можете да обобщите основните си изводи и следващите стъпки, които препоръчвате.
+
+### 4. Използвайте значими думи и фрази
+Ако работим заедно по продукт и ви кажа: „Нашите потребители се нуждаят от много време, за да се регистрират в платформата ни“, колко време бихте предположили, че е „много време“? Час? Седмица? Трудно е да се каже. Ами ако кажа това на цяла аудитория? Всеки в аудиторията може да има различна представа за това колко време отнема на потребителите да се регистрират.
+
+Но какво ще стане, ако кажа: „Нашите потребители се нуждаят средно от 3 минути, за да се регистрират и започнат да използват платформата ни.“
+
+Това послание е по-ясно. Когато комуникирате данни, може да е лесно да мислите, че всички в аудиторията ви мислят като вас. Но това не винаги е така. Осигуряването на яснота около вашите данни и тяхното значение е една от вашите отговорности като комуникатор. Ако данните или историята ви не са ясни, аудиторията ви ще има трудности да ви следва и е по-малко вероятно да разбере основните ви изводи.
+
+Можете да комуникирате данни по-ясно, като използвате значими думи и фрази вместо неясни. Ето няколко примера:
+
+- Имахме *впечатляваща* година!
+  - Един човек може да мисли, че впечатляваща означава 2% - 3% увеличение на приходите, а друг – 50% - 60%.
+- Успехът на нашите потребители се увеличи *драматично*.
+  - Колко голямо увеличение е драматично?
+- Това начинание ще изисква *значителни* усилия.
+  - Колко усилия са значителни?
+
+Използването на неясни думи може да бъде полезно като въведение към повече данни, които предстоят, или като обобщение на историята, която току-що сте разказали. Но помислете дали всяка част от вашата презентация е ясна за аудиторията.
+
+### 5. Използвайте емоция
+Емоцията е ключова в разказването на истории. Тя е още по-важна, когато разказвате история с данни. Когато комуникирате данни, всичко е фокусирано върху изводите, които искате аудиторията ви да направи. Когато предизвикате емоция у аудиторията, това й помага да съпреживее и я прави по-склонна да предприеме действия. Емоцията също така увеличава вероятността аудиторията да запомни вашето послание.
+
+Може би сте срещали това в телевизионни реклами. Някои реклами са много тъжни и използват тъжна емоция, за да се свържат с аудиторията и да направят представените данни наистина запомнящи се. Или пък някои реклами са много весели и щастливи, което може да ви накара да свържете техните данни с положително чувство.
+
+Как да използвате емоция, когато комуникирате данни? Ето няколко начина:
+
+- Използвайте свидетелства и лични истории
+  - Когато събирате данни, опитайте се да събирате както количествени, така и качествени данни и интегрирайте и двата типа, когато комуникирате. Ако данните ви са предимно количествени, потърсете истории от хора, за да научите повече за техния опит с това, което вашите данни показват.
+- Използвайте изображения
+  - Изображенията помагат на аудиторията да се види в дадена ситуация. Когато използвате изображения, можете да насочите аудиторията към емоцията, която смятате, че трябва да изпитва спрямо вашите данни.
+- Използвайте цветове
+  - Различните цветове предизвикват различни емоции. Популярни цветове и емоциите, които предизвикват, са:
+    - Синьо обикновено предизвиква усещане за мир и доверие
+    - Зелено обикновено се свързва с природата и околната среда
+    - Червено обикновено означава страст и вълнение
+    - Жълто обикновено е оптимизъм и щастие
+
+# Пример за комуникация
+Емерсън е продуктов мениджър за мобилно приложение. Емерсън е забелязал, че клиентите подават 42% повече оплаквания и доклади за грешки през уикендите. Емерсън също така е забелязал, че клиентите, които подават оплакване, което остава без отговор повече от 48 часа, са с 32% по-склонни да дадат на приложението оценка 1 или 2 в магазина за приложения.
+
+След провеждане на изследване, Емерсън има няколко решения, които ще адресират проблема. Емерсън организира 30-минутна среща с тримата ръководители на компанията, за да комуникира данните и предложените решения.
+
+По време на тази среща целта на Емерсън е ръководителите на компанията да разберат, че двете решения по-долу могат да подобрят рейтинга на приложението, което вероятно ще се превърне в по-високи приходи.
+
+**Решение 1.**
+На срещата Емерсън прекарва 5 минути, обяснявайки защо ниската оценка в магазина за приложения е проблем, 10 минути, обяснявайки процеса на изследване и как са идентифицирани тенденциите, 10 минути, разглеждайки някои от последните оплаквания на клиенти, и последните 5 минути, бегло споменавайки двете потенциални решения.
+
+Беше ли това ефективен начин за Емерсън да комуникира по време на тази среща?
+
+По време на срещата един от ръководителите на компанията се фокусира върху 10-те минути с оплакванията на клиентите, които Емерсън разгледа. След срещата тези оплаквания бяха единственото, което този ръководител запомни. Друг ръководител на компанията основно се концентрира върху описанието на процеса на изследване от страна на Емерсън. Третият ръководител на компанията си спомни предложените решения от Емерсън, но не беше сигурен как тези решения могат да бъдат приложени.
+
+В горната ситуация можете да видите, че има значителна разлика между това, което Емерсън искаше ръководителите да запомнят, и това, което те всъщност запомниха от срещата. По-долу е представен друг подход, който Емерсън може да обмисли.
+
+Как Емерсън може да подобри този подход?  
+Контекст, Конфликт, Кулминация, Завършек, Заключение  
+**Контекст** - Емерсън може да прекара първите 5 минути, представяйки цялата ситуация и уверявайки се, че ръководителите разбират как проблемите влияят на ключови за компанията показатели, като например приходите.
+
+Това може да бъде изложено по следния начин: "В момента рейтингът на нашето приложение в магазина за приложения е 2.5. Рейтингите в магазина за приложения са критични за оптимизацията на приложенията в магазина, което влияе на това колко потребители виждат нашето приложение при търсене и как нашето приложение се възприема от потенциалните потребители. И, разбира се, броят на потребителите е пряко свързан с приходите."
+
+**Конфликт** Емерсън може след това да премине към обсъждане на конфликта за около 5 минути.
+
+Това може да звучи така: „Потребителите подават 42% повече оплаквания и доклади за грешки през уикендите. Клиентите, които подават оплакване, което остава без отговор след 48 часа, са с 32% по-малко вероятно да дадат на нашето приложение рейтинг над 2 в магазина за приложения. Подобряването на рейтинга на нашето приложение в магазина за приложения до 4 би подобрило видимостта ни с 20-30%, което прогнозирам, че би увеличило приходите с 10%." Разбира се, Емерсън трябва да бъде готов да обоснове тези числа.
+
+**Кулминация** След като положи основите, Емерсън може да премине към кулминацията за около 5 минути.
+
+Емерсън може да представи предложените решения, да обясни как тези решения ще адресират посочените проблеми, как могат да бъдат внедрени в съществуващите работни процеси, колко струват решенията, каква би била възвръщаемостта на инвестицията (ROI) и дори да покаже някои екранни снимки или макети на това как биха изглеждали решенията, ако бъдат приложени. Емерсън може също да сподели препоръки от потребители, чиито оплаквания са били обработени след повече от 48 часа, както и препоръка от настоящ представител на клиентската поддръжка в компанията, който има коментари за текущата система за обработка на билети.
+
+**Завършек** Сега Емерсън може да прекара 5 минути, като повтори проблемите, пред които е изправена компанията, прегледа предложените решения и обясни защо тези решения са правилните.
+
+**Заключение** Тъй като това е среща с няколко заинтересовани страни, където ще се използва двупосочна комуникация, Емерсън може да планира да остави 10 минути за въпроси, за да се увери, че всичко, което е било объркващо за ръководителите, може да бъде изяснено преди края на срещата.
+
+Ако Емерсън използва подход #2, е много по-вероятно ръководителите да запомнят точно това, което Емерсън е искал да предаде – че начинът, по който се обработват оплакванията и грешките, може да бъде подобрен, и че има две решения, които могат да бъдат приложени, за да се постигне това подобрение. Този подход би бил много по-ефективен за комуникация на данните и историята, която Емерсън иска да предаде.
+
+# Заключение  
+### Обобщение на основните точки  
+- Да комуникираш означава да предаваш или обменяш информация.  
+- Когато комуникирате данни, целта ви не трябва да бъде просто да предадете числа на аудиторията си. Целта ви трябва да бъде да разкажете история, която е информирана от вашите данни.  
+- Има два вида комуникация: Еднопосочна комуникация (информацията се предава без намерение за отговор) и Двупосочна комуникация (информацията се предава в двете посоки).  
+- Съществуват много стратегии за разказване на история с вашите данни. Петте стратегии, които разгледахме, са:  
+  - Разберете вашата аудитория, вашия медиум и вашия метод на комуникация  
+  - Започнете с крайния резултат в ума  
+  - Подходете към това като към истинска история  
+  - Използвайте значими думи и фрази  
+  - Използвайте емоции  
+
+### Препоръчани ресурси за самостоятелно обучение  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Прегледайте наученото с теста след лекцията по-горе!  
+
+## Задание  
+
+[Пазарно проучване](assignment.md)  
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/bg/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..388def7c
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:40:34+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Разкажете история
+
+## Инструкции
+
+Науката за данни е свързана с разказването на истории. Изберете произволен набор от данни и напишете кратък текст за историята, която бихте могли да разкажете за него. Какво се надявате вашият набор от данни да разкрие? Какво ще направите, ако разкритията му се окажат проблематични? Ами ако вашите данни не разкриват лесно своите тайни? Помислете за сценариите, които вашият набор от данни може да представи, и ги запишете.
+
+## Критерии за оценка
+
+Примерен | Адекватен | Нуждае се от подобрение
+--- | --- | -- |
+
+Есе от една страница е представено във формат .doc, с обяснен, документиран и кредитиран набор от данни, и е представена последователна история за него с подробни примери от данните.| По-кратко есе е представено в по-малко подробен формат | Есето липсва в някой от горепосочените детайли.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/4-Data-Science-Lifecycle/README.md b/translations/bg/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..1c9a6a4f
--- /dev/null
+++ b/translations/bg/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:21:14+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "bg"
+}
+-->
+# Жизненият цикъл на науката за данни
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.bg.jpg)
+> Снимка 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 тези уроци ще разгледате някои аспекти на жизнения цикъл на науката за данни, включително анализ и комуникация, свързани с данните.
+
+### Теми
+
+1. [Въведение](14-Introduction/README.md)
+2. [Анализ](15-analyzing/README.md)
+3. [Комуникация](16-communication/README.md)
+
+### Благодарности
+
+Тези уроци са написани с ❤️ от [Jalen McGee](https://twitter.com/JalenMCG) и [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/bg/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..870c8ae3
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,116 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:09:13+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "bg"
+}
+-->
+# Въведение в науката за данни в облака
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Наука за данни в облака: Въведение - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+В този урок ще научите основните принципи на облака, ще разберете защо може да е интересно за вас да използвате облачни услуги за изпълнение на вашите проекти за наука за данни и ще разгледаме някои примери за проекти за наука за данни, изпълнявани в облака.
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Какво е облакът?
+
+Облакът, или облачните изчисления, представлява предоставянето на широк набор от услуги за изчисления, базирани на принципа „плащаш, докато използваш“, хоствани на инфраструктура през интернет. Услугите включват решения като съхранение, бази данни, мрежи, софтуер, анализи и интелигентни услуги.
+
+Обикновено разграничаваме публичен, частен и хибриден облак, както следва:
+
+* Публичен облак: публичният облак е собственост и се управлява от трета страна – доставчик на облачни услуги, който предоставя своите ресурси за изчисления през интернет на обществеността.
+* Частен облак: отнася се до ресурси за облачни изчисления, използвани изключително от един бизнес или организация, с услуги и инфраструктура, поддържани в частна мрежа.
+* Хибриден облак: хибридният облак е система, която комбинира публични и частни облаци. Потребителите избират локален център за данни, като същевременно позволяват данни и приложения да се изпълняват на един или повече публични облаци.
+
+Повечето услуги за облачни изчисления попадат в три категории: инфраструктура като услуга (IaaS), платформа като услуга (PaaS) и софтуер като услуга (SaaS).
+
+* Инфраструктура като услуга (IaaS): потребителите наемат IT инфраструктура като сървъри и виртуални машини (VMs), съхранение, мрежи, операционни системи.
+* Платформа като услуга (PaaS): потребителите наемат среда за разработка, тестване, доставка и управление на софтуерни приложения. Потребителите не трябва да се притесняват за настройка или управление на основната инфраструктура от сървъри, съхранение, мрежи и бази данни, необходими за разработка.
+* Софтуер като услуга (SaaS): потребителите получават достъп до софтуерни приложения през интернет, при поискване и обикновено на абонаментна основа. Потребителите не трябва да се притесняват за хостинг и управление на софтуерното приложение, основната инфраструктура или поддръжката, като например актуализации на софтуера и сигурност.
+
+Някои от най-големите доставчици на облачни услуги са Amazon Web Services, Google Cloud Platform и Microsoft Azure.
+
+## Защо да изберем облака за наука за данни?
+
+Разработчиците и IT професионалистите избират да работят с облака по много причини, включително следните:
+
+* Иновация: можете да захранвате вашите приложения, като интегрирате иновативни услуги, създадени от доставчиците на облачни услуги, директно във вашите приложения.
+* Гъвкавост: плащате само за услугите, които ви трябват, и можете да избирате от широк набор от услуги. Обикновено плащате според използването и адаптирате услугите си според вашите променящи се нужди.
+* Бюджет: не е необходимо да правите първоначални инвестиции за закупуване на хардуер и софтуер, настройка и управление на локални центрове за данни, а просто плащате за това, което използвате.
+* Скалируемост: вашите ресурси могат да се адаптират според нуждите на вашия проект, което означава, че вашите приложения могат да използват повече или по-малко изчислителна мощност, съхранение и честотна лента, като се адаптират към външни фактори във всеки момент.
+* Продуктивност: можете да се фокусирате върху вашия бизнес, вместо да губите време за задачи, които могат да бъдат управлявани от някой друг, като управление на центрове за данни.
+* Надеждност: облачните изчисления предлагат няколко начина за непрекъснато архивиране на вашите данни и можете да създадете планове за възстановяване при бедствия, за да поддържате вашия бизнес и услуги дори в кризисни времена.
+* Сигурност: можете да се възползвате от политики, технологии и контроли, които укрепват сигурността на вашия проект.
+
+Това са някои от най-често срещаните причини, поради които хората избират да използват облачни услуги. Сега, когато имаме по-добро разбиране за това какво е облакът и какви са основните му предимства, нека разгледаме по-конкретно работата на специалистите по данни и разработчиците, работещи с данни, и как облакът може да им помогне с някои от предизвикателствата, които могат да срещнат:
+
+* Съхранение на големи количества данни: вместо да купувате, управлявате и защитавате големи сървъри, можете да съхранявате вашите данни директно в облака, с решения като Azure Cosmos DB, Azure SQL Database и Azure Data Lake Storage.
+* Извършване на интеграция на данни: интеграцията на данни е съществена част от науката за данни, която ви позволява да преминете от събиране на данни към предприемане на действия. С услуги за интеграция на данни, предлагани в облака, можете да събирате, трансформирате и интегрирате данни от различни източници в единен склад за данни, с Data Factory.
+* Обработка на данни: обработката на огромни количества данни изисква много изчислителна мощност, и не всеки има достъп до машини, достатъчно мощни за това, което е причината много хора да избират директно да използват огромната изчислителна мощност на облака за изпълнение и внедряване на своите решения.
+* Използване на услуги за анализ на данни: облачни услуги като Azure Synapse Analytics, Azure Stream Analytics и Azure Databricks ви помагат да превърнете вашите данни в полезни прозрения.
+* Използване на услуги за машинно обучение и интелигентност на данни: вместо да започвате от нулата, можете да използвате алгоритми за машинно обучение, предлагани от доставчика на облака, с услуги като AzureML. Можете също така да използвате когнитивни услуги като преобразуване на реч в текст, текст в реч, компютърно зрение и други.
+
+## Примери за наука за данни в облака
+
+Нека направим това по-осезаемо, като разгледаме няколко сценария.
+
+### Анализ на настроенията в социалните медии в реално време
+
+Ще започнем със сценарий, който често се изучава от хора, които започват с машинно обучение: анализ на настроенията в социалните медии в реално време.
+
+Да кажем, че управлявате новинарски уебсайт и искате да използвате данни на живо, за да разберете какво съдържание би било интересно за вашите читатели. За да научите повече за това, можете да създадете програма, която извършва анализ на настроенията в реално време на данни от публикации в Twitter по теми, които са от значение за вашите читатели.
+
+Ключовите показатели, които ще разгледате, са обемът на туитове по конкретни теми (хаштагове) и настроението, което се установява с помощта на аналитични инструменти, които извършват анализ на настроенията около определените теми.
+
+Необходимите стъпки за създаване на този проект са следните:
+
+* Създаване на хъб за събития за стрийминг вход, който ще събира данни от Twitter.
+* Конфигуриране и стартиране на клиентско приложение за Twitter, което ще извиква API за стрийминг на Twitter.
+* Създаване на Stream Analytics задача.
+* Специфициране на входа и заявката за задачата.
+* Създаване на изходен канал и специфициране на изхода за задачата.
+* Стартиране на задачата.
+
+За да видите целия процес, разгледайте [документацията](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Анализ на научни статии
+
+Нека вземем друг пример за проект, създаден от [Дмитрий Сошников](http://soshnikov.com), един от авторите на тази учебна програма.
+
+Дмитрий създаде инструмент, който анализира статии за COVID. Като разгледате този проект, ще видите как можете да създадете инструмент, който извлича знания от научни статии, получава прозрения и помага на изследователите да се ориентират в големи колекции от статии по ефективен начин.
+
+Нека видим различните стъпки, използвани за това:
+
+* Извличане и предварителна обработка на информация с [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Използване на [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) за паралелизиране на обработката.
+* Съхранение и заявяване на информация с [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Създаване на интерактивно табло за изследване и визуализация на данни с Power BI.
+
+За да видите целия процес, посетете [блога на Дмитрий](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Както виждате, можем да използваме облачни услуги по много начини за изпълнение на наука за данни.
+
+## Бележка под линия
+
+Източници:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Тест след лекцията
+
+[Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Задание
+
+[Пазарно проучване](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/bg/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..d916ead9
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:10:25+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Проучване на пазара
+
+## Инструкции
+
+В този урок научихте, че има няколко важни доставчици на облачни услуги. Направете проучване на пазара, за да откриете какво всеки от тях може да предложи на специалиста по данни. Сравними ли са предложенията? Напишете доклад, който описва предложенията на трима или повече от тези доставчици на облачни услуги.
+
+## Рубрика
+
+Примерно | Задоволително | Нуждае се от подобрение
+--- | --- | --- |
+Едностраничен доклад описва предложенията за специалисти по данни на трима доставчици на облачни услуги и ги диференцира. | Представен е по-кратък доклад | Представен е доклад без завършен анализ
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..f4fe62b7
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,348 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T16:02:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни в облака: Методът "Малко код/Без код"
+
+|![ Скица от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Наука за данни в облака: Малко код - _Скица от [@nitya](https://twitter.com/nitya)_ |
+
+Съдържание:
+
+- [Наука за данни в облака: Методът "Малко код/Без код"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Тест преди лекцията](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Въведение](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Какво е Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 Проект за предсказване на сърдечна недостатъчност:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 Набор от данни за сърдечна недостатъчност:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Обучение на модел с малко код/без код в Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Създаване на работно пространство в Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Изчислителни ресурси](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Избор на правилните опции за вашите изчислителни ресурси](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Създаване на изчислителен клъстер](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Зареждане на набора от данни](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Обучение с малко код/без код чрез AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Разгръщане на модел с малко код/без код и използване на крайни точки](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Разгръщане на модел](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Използване на крайни точки](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Предизвикателство](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Тест след лекцията](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Преглед и самостоятелно обучение](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Задача](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+## 1. Въведение
+### 1.1 Какво е Azure Machine Learning?
+
+Платформата Azure предлага над 200 продукта и облачни услуги, създадени да ви помогнат да реализирате нови решения. 
+Специалистите по данни отделят много време за изследване и предварителна обработка на данни, както и за тестване на различни алгоритми за обучение на модели, за да създадат точни модели. Тези задачи са трудоемки и често водят до неефективно използване на скъпи изчислителни ресурси.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) е облачна платформа за създаване и управление на решения за машинно обучение в Azure. Тя включва широк набор от функции и възможности, които помагат на специалистите по данни да подготвят данни, обучават модели, публикуват предсказателни услуги и следят тяхното използване. Най-важното е, че платформата увеличава ефективността, като автоматизира много от трудоемките задачи, свързани с обучението на модели, и позволява използването на облачни изчислителни ресурси, които се мащабират ефективно, за да обработват големи обеми данни, като се начисляват разходи само когато се използват.
+
+Azure ML предоставя всички инструменти, от които разработчиците и специалистите по данни се нуждаят за своите работни процеси за машинно обучение. Те включват:
+
+- **Azure Machine Learning Studio**: уеб портал в Azure Machine Learning за опции с малко код и без код за обучение на модели, разгръщане, автоматизация, проследяване и управление на активи. Studio се интегрира с Azure Machine Learning SDK за безпроблемно изживяване.
+- **Jupyter Notebooks**: бързо прототипиране и тестване на ML модели.
+- **Azure Machine Learning Designer**: позволява влачене и пускане на модули за създаване на експерименти и разгръщане на конвейери в среда с малко код.
+- **Автоматизирано машинно обучение (AutoML)**: автоматизира итеративните задачи за разработване на модели за машинно обучение, позволявайки създаване на ML модели с висока мащабируемост, ефективност и продуктивност, като същевременно поддържа качеството на модела.
+- **Етикетиране на данни**: инструмент за подпомагане на ML, който автоматично етикетира данни.
+- **Разширение за машинно обучение за Visual Studio Code**: предоставя пълнофункционална среда за разработка за създаване и управление на ML проекти.
+- **CLI за машинно обучение**: предоставя команди за управление на ресурси на Azure ML от командния ред.
+- **Интеграция с рамки с отворен код** като PyTorch, TensorFlow, Scikit-learn и много други за обучение, разгръщане и управление на целия процес на машинно обучение.
+- **MLflow**: библиотека с отворен код за управление на жизнения цикъл на вашите експерименти за машинно обучение. **MLFlow Tracking** е компонент на MLflow, който записва и проследява метриките на вашите тренировъчни изпълнения и артефакти на модела, независимо от средата на вашия експеримент.
+
+### 1.2 Проект за предсказване на сърдечна недостатъчност:
+
+Няма съмнение, че създаването и разработването на проекти е най-добрият начин да тествате своите умения и знания. В този урок ще разгледаме два различни начина за създаване на проект за наука за данни за предсказване на сърдечни атаки в Azure ML Studio: чрез методите "Малко код/Без код" и чрез Azure ML SDK, както е показано в следната схема:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.bg.png)
+
+Всеки метод има своите предимства и недостатъци. Методът "Малко код/Без код" е по-лесен за започване, тъй като включва работа с графичен потребителски интерфейс (GUI), без да е необходимо предварително познаване на програмиране. Този метод позволява бързо тестване на жизнеспособността на проекта и създаване на POC (Proof Of Concept). Въпреки това, когато проектът се разраства и трябва да бъде готов за производство, не е практично да се създават ресурси чрез GUI. Тогава става необходимо програмно автоматизиране на всичко - от създаването на ресурси до разгръщането на модел. Тук познанията за използване на Azure ML SDK стават от решаващо значение.
+
+|                   | Малко код/Без код | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Познания по програмиране | Не се изискват     | Изискват се                  |
+| Време за разработка   | Бързо и лесно    | Зависи от познанията по програмиране |
+| Готовност за производство  | Не               | Да                       |
+
+### 1.3 Набор от данни за сърдечна недостатъчност: 
+
+Сърдечно-съдовите заболявания (CVDs) са водещата причина за смъртност в световен мащаб, представлявайки 31% от всички смъртни случаи. Екологични и поведенчески рискови фактори като употреба на тютюн, нездравословна диета и затлъстяване, физическа неактивност и вредна употреба на алкохол могат да бъдат използвани като характеристики за модели за оценка. Възможността за оценка на вероятността за развитие на CVD може да бъде от голяма полза за предотвратяване на атаки при хора с висок риск.
+
+Kaggle предоставя [набор от данни за сърдечна недостатъчност](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), който ще използваме за този проект. Можете да изтеглите набора от данни сега. Това е табличен набор от данни с 13 колони (12 характеристики и 1 целева променлива) и 299 реда. 
+
+|    | Име на променливата       | Тип            | Описание                                               | Пример           |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| 1  | age                       | числов          | възраст на пациента                                      | 25                |
+| 2  | anaemia                   | булев           | Намаляване на червените кръвни клетки или хемоглобина     | 0 или 1           |
+| 3  | creatinine_phosphokinase  | числов          | Ниво на ензима CPK в кръвта                              | 542               |
+| 4  | diabetes                  | булев           | Дали пациентът има диабет                                | 0 или 1           |
+| 5  | ejection_fraction         | числов          | Процент кръв, напускаща сърцето при всяка контракция     | 45                |
+| 6  | high_blood_pressure       | булев           | Дали пациентът има хипертония                           | 0 или 1           |
+| 7  | platelets                 | числов          | Тромбоцити в кръвта                                      | 149000            |
+| 8  | serum_creatinine          | числов          | Ниво на серумен креатинин в кръвта                      | 0.5               |
+| 9  | serum_sodium              | числов          | Ниво на серумен натрий в кръвта                         | jun               |
+| 10 | sex                       | булев           | жена или мъж                                            | 0 или 1           |
+| 11 | smoking                   | булев           | Дали пациентът пуши                                     | 0 или 1           |
+| 12 | time                      | числов          | период на проследяване (дни)                            | 4                 |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Целева]      | булев           | дали пациентът умира по време на периода на проследяване | 0 или 1           |
+
+След като имате набора от данни, можем да започнем проекта в Azure.
+
+## 2. Обучение на модел с малко код/без код в Azure ML Studio
+### 2.1 Създаване на работно пространство в Azure ML
+За да обучите модел в Azure ML, първо трябва да създадете работно пространство в Azure ML. Работното пространство е основният ресурс за Azure Machine Learning, предоставящ централизирано място за работа с всички артефакти, които създавате, когато използвате Azure Machine Learning. Работното пространство съхранява историята на всички тренировъчни изпълнения, включително дневници, метрики, изходни данни и моментна снимка на вашите скриптове. Използвате тази информация, за да определите кое тренировъчно изпълнение произвежда най-добрия модел. [Научете повече](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Препоръчително е да използвате най-актуалния браузър, който е съвместим с вашата операционна система. Поддържаните браузъри са:
+
+- Microsoft Edge (новият Microsoft Edge, последна версия. Не Microsoft Edge legacy)
+- Safari (последна версия, само за Mac)
+- Chrome (последна версия)
+- Firefox (последна версия)
+
+За да използвате Azure Machine Learning, създайте работно пространство във вашия абонамент за Azure. След това можете да използвате това работно пространство, за да управлявате данни, изчислителни ресурси, код, модели и други артефакти, свързани с вашите работни процеси за машинно обучение.
+
+> **_ЗАБЕЛЕЖКА:_** Вашият абонамент за Azure ще бъде таксуван с малка сума за съхранение на данни, докато работното пространство за Azure Machine Learning съществува във вашия абонамент, затова препоръчваме да изтриете работното пространство за Azure Machine Learning, когато вече не го използвате.
+
+1. Влезте в [портала на Azure](https://ms.portal.azure.com/) с Microsoft идентификационните данни, свързани с вашия абонамент за Azure.
+2. Изберете **＋Създаване на ресурс**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.bg.png)
+
+   Потърсете Machine Learning и изберете плочката Machine Learning
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.bg.png)
+
+   Кликнете върху бутона за създаване
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.bg.png)
+
+   Попълнете настройките, както следва:
+   - Абонамент: Вашият абонамент за Azure
+   - Група ресурси: Създайте или изберете група ресурси
+   - Име на работното пространство: Въведете уникално име за вашето работно пространство
+   - Регион: Изберете географския регион, най-близък до вас
+   - Акаунт за съхранение: Обърнете внимание на новия акаунт за съхранение, който ще бъде създаден за вашето работно пространство
+   - Key vault: Обърнете внимание на новия key vault, който ще бъде създаден за вашето работно пространство
+   - Application insights: Обърнете внимание на новия ресурс за application insights, който ще бъде създаден за вашето работно пространство
+   - Container registry: Няма (един ще бъде създаден автоматично при първото разгръщане на модел в контейнер)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.bg.png)
+
+   - Кликнете върху "Създаване + преглед" и след това върху бутона "Създаване"
+3. Изчакайте вашето работно пространство да бъде създадено (това може да отнеме няколко минути). След това отидете до него в портала. Можете да го намерите чрез услугата Machine Learning в Azure.
+4. На страницата "Преглед" за вашето работно пространство стартирайте Azure Machine Learning Studio (или отворете нов раздел в браузъра и навигирайте до https://ml.azure.com), и влезте в Azure Machine Learning Studio с вашия Microsoft акаунт. Ако бъдете подканени, изберете вашия Azure директория и абонамент, както и вашето работно пространство за Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.bg.png)
+
+5. В Azure Machine Learning Studio, превключете иконата ☰ в горния ляв ъгъл, за да видите различните страници в интерфейса. Можете да използвате тези страници, за да управлявате ресурсите във вашето работно пространство.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.bg.png)
+
+Можете да управлявате вашето работно пространство чрез портала на Azure, но за специалистите по данни и инженерите по операции за машинно обучение, Azure Machine Learning Studio предоставя по-фокусиран потребителски интерфейс за управление на ресурсите на работното пространство.
+
+### 2.2 Изчислителни ресурси
+
+Изчислителните ресурси са облачни ресурси, на които можете да изпълнявате процеси за обучение на модели и изследване на данни. Има четири вида изчислителни ресурси, които можете да създадете:
+
+- **Изчислителни инстанции**: Работни станции за разработка, които специалистите по данни могат да използват за работа с данни и модели. Това включва създаване на виртуална машина (VM) и стартиране на инстанция на notebook. След това можете да обучите модел, като извикате изчислителен клъстер от notebook.
+- **Изчислителни клъстери**: Скалиращи клъстери от виртуални машини за обработка на експериментален код при поискване. Ще ви е необходим, когато обучавате модел. Изчислителните клъстери могат също да използват специализирани GPU или CPU ресурси.
+- **Клъстери за инференция**: Цели за разгръщане на предсказателни услуги, които използват вашите обучени модели.
+- **Свързани изчислителни ресурси**: Свързва съществуващи изчислителни ресурси в Azure, като виртуални машини или клъстери на Azure Databricks.
+
+#### 2.2.1 Избор на правилните опции за вашите изчислителни ресурси
+
+Някои ключови фактори трябва да се вземат предвид при създаването на изчислителен ресурс, тъй като тези решения могат да бъдат критични.
+
+**Нуждаете ли се от CPU или GPU?**
+
+CPU (Централен процесор) е електронната схема, която изпълнява инструкциите на компютърна програма. GPU (Графичен процесор) е специализирана електронна схема, която може да изпълнява графичен код с много висока скорост.
+
+Основната разлика между архитектурата на CPU и GPU е, че CPU е проектиран да обработва широк спектър от задачи бързо (измерено чрез тактовата честота на CPU), но е ограничен в броя на задачите, които могат да се изпълняват едновременно. GPU е проектиран за паралелни изчисления и затова е много по-добър за задачи, свързани с дълбоко обучение.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| По-евтин                                | По-скъп                     |
+| По-ниско ниво на паралелност            | По-високо ниво на паралелност |
+| По-бавен при обучение на модели за дълбоко обучение | Оптимален за дълбоко обучение |
+
+**Размер на клъстера**
+
+По-големите клъстери са по-скъпи, но осигуряват по-добра отзивчивост. Следователно, ако разполагате с време, но не и с достатъчно средства, започнете с малък клъстер. Обратно, ако разполагате със средства, но не и с много време, започнете с по-голям клъстер.
+
+**Размер на виртуалната машина (VM)**
+
+В зависимост от вашите времеви и бюджетни ограничения, можете да променяте размера на RAM, диска, броя на ядрата и тактовата честота. Увеличаването на тези параметри ще бъде по-скъпо, но ще доведе до по-добра производителност.
+
+**Посветени или нископриоритетни инстанции?**
+
+Нископриоритетна инстанция означава, че тя е прекъсваема: Microsoft Azure може да вземе тези ресурси и да ги пренасочи към друга задача, прекъсвайки текущата работа. Посветена инстанция, или непрекъсваема, означава, че задачата никога няма да бъде прекратена без ваше разрешение. Това е още един въпрос на баланс между време и средства, тъй като прекъсваемите инстанции са по-евтини от посветените.
+
+#### 2.2.2 Създаване на изчислителен клъстер
+
+В [работното пространство на Azure ML](https://ml.azure.com/), което създадохме по-рано, отидете на "Compute" и ще видите различните изчислителни ресурси, които обсъдихме (напр. изчислителни инстанции, изчислителни клъстери, клъстери за предсказания и свързани изчисления). За този проект ще ни е необходим изчислителен клъстер за обучение на модела. В Studio кликнете върху менюто "Compute", след това върху таба "Compute cluster" и натиснете бутона "+ New", за да създадете изчислителен клъстер.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.bg.png)
+
+1. Изберете вашите опции: Посветени срещу нископриоритетни, CPU или GPU, размер на VM и брой ядра (можете да оставите настройките по подразбиране за този проект).
+2. Натиснете бутона "Next".
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.bg.png)
+
+3. Дайте име на клъстера.
+4. Изберете вашите опции: Минимален/максимален брой възли, време на бездействие преди мащабиране надолу, SSH достъп. Имайте предвид, че ако минималният брой възли е 0, ще спестите средства, когато клъстерът е в режим на бездействие. Имайте предвид, че колкото по-голям е максималният брой възли, толкова по-кратко ще бъде обучението. Препоръчителният максимален брой възли е 3.
+5. Натиснете бутона "Create". Тази стъпка може да отнеме няколко минути.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.bg.png)
+
+Чудесно! Сега, когато имаме изчислителен клъстер, трябва да заредим данните в Azure ML Studio.
+
+### 2.3 Зареждане на набора от данни
+
+1. В [работното пространство на Azure ML](https://ml.azure.com/), което създадохме по-рано, кликнете върху "Datasets" в лявото меню и натиснете бутона "+ Create dataset", за да създадете набор от данни. Изберете опцията "From local files" и изберете набора от данни от Kaggle, който изтеглихме по-рано.
+
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.bg.png)
+
+2. Дайте име, тип и описание на вашия набор от данни. Натиснете "Next". Качете данните от файловете. Натиснете "Next".
+
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.bg.png)
+
+3. В раздела "Schema" променете типа данни на Boolean за следните характеристики: anaemia, diabetes, high blood pressure, sex, smoking и DEATH_EVENT. Натиснете "Next" и след това "Create".
+
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.bg.png)
+
+Чудесно! Сега, когато наборът от данни е на място и изчислителният клъстер е създаден, можем да започнем обучението на модела!
+
+### 2.4 Обучение с малко или без код с AutoML
+
+Традиционното разработване на модели за машинно обучение изисква много ресурси, значителни познания в областта и време за създаване и сравнение на десетки модели. Автоматизираното машинно обучение (AutoML) автоматизира времево интензивните, итеративни задачи при разработването на модели за машинно обучение. То позволява на специалисти по данни, анализатори и разработчици да създават ML модели с висока ефективност и продуктивност, като същевременно поддържат качеството на модела. Това намалява времето, необходимо за създаване на готови за производство ML модели, с голяма лекота и ефективност. [Научете повече](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. В [работното пространство на Azure ML](https://ml.azure.com/), което създадохме по-рано, кликнете върху "Automated ML" в лявото меню и изберете набора от данни, който току-що качихте. Натиснете "Next".
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.bg.png)
+
+2. Въведете ново име на експеримент, целевата колона (DEATH_EVENT) и изчислителния клъстер, който създадохме. Натиснете "Next".
+
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.bg.png)
+
+3. Изберете "Classification" и натиснете "Finish". Тази стъпка може да отнеме между 30 минути и 1 час, в зависимост от размера на вашия изчислителен клъстер.
+
+   ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.bg.png)
+
+4. След като изпълнението приключи, кликнете върху таба "Automated ML", изберете вашето изпълнение и кликнете върху алгоритъма в картата "Best model summary".
+
+   ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.bg.png)
+
+Тук можете да видите подробно описание на най-добрия модел, който AutoML е генерирал. Можете също така да разгледате други модели в таба "Models". Отделете няколко минути, за да разгледате моделите в раздела "Explanations (preview)". След като изберете модела, който искате да използвате (тук ще изберем най-добрия модел, избран от AutoML), ще видим как можем да го разположим.
+
+## 3. Разполагане на модел с малко или без код и консумация на крайна точка
+### 3.1 Разполагане на модела
+
+Интерфейсът на автоматизираното машинно обучение ви позволява да разположите най-добрия модел като уеб услуга в няколко стъпки. Разполагането е интеграцията на модела, така че той да може да прави прогнози въз основа на нови данни и да идентифицира потенциални области за подобрение. За този проект разполагането като уеб услуга означава, че медицински приложения ще могат да използват модела, за да правят прогнози в реално време за риска от сърдечен удар на своите пациенти.
+
+В описанието на най-добрия модел кликнете върху бутона "Deploy".
+
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.bg.png)
+
+15. Дайте име, описание, тип изчисление (Azure Container Instance), активирайте автентикацията и натиснете "Deploy". Тази стъпка може да отнеме около 20 минути. Процесът на разполагане включва няколко стъпки, включително регистриране на модела, генериране на ресурси и конфигурирането им за уеб услугата. Статусът на разполагане ще се появи под "Deploy status". Натискайте "Refresh" периодично, за да проверите статуса. Когато статусът е "Healthy", разполагането е завършено и работи.
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.bg.png)
+
+16. След като разполагането приключи, кликнете върху таба "Endpoint" и изберете крайната точка, която току-що разположихте. Тук можете да намерите всички детайли за крайната точка.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.bg.png)
+
+Страхотно! Сега, когато имаме разположен модел, можем да започнем консумацията на крайната точка.
+
+### 3.2 Консумация на крайна точка
+
+Кликнете върху таба "Consume". Тук ще намерите REST крайната точка и Python скрипт в опцията за консумация. Отделете време, за да прочетете Python кода.
+
+Този скрипт може да бъде изпълнен директно от вашата локална машина и ще консумира крайната точка.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.bg.png)
+
+Отделете момент, за да разгледате тези два реда код:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Променливата `url` е REST крайната точка, намерена в таба "Consume", а променливата `api_key` е основният ключ, също намерен в таба "Consume" (само ако сте активирали автентикацията). Това е начинът, по който скриптът може да консумира крайната точка.
+
+18. Когато изпълните скрипта, трябва да видите следния изход:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+Това означава, че прогнозата за сърдечна недостатъчност за дадените данни е вярна. Това има смисъл, защото ако погледнете по-отблизо данните, автоматично генерирани в скрипта, всичко е зададено на 0 и false по подразбиране. Можете да промените данните със следния примерен вход:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+Скриптът трябва да върне:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Поздравления! Току-що консумирахте разположения модел и го обучихте в Azure ML!
+
+> **_ЗАБЕЛЕЖКА:_** След като приключите с проекта, не забравяйте да изтриете всички ресурси.
+## 🚀 Предизвикателство
+
+Разгледайте внимателно обясненията на модела и детайлите, които AutoML е генерирал за най-добрите модели. Опитайте се да разберете защо най-добрият модел е по-добър от останалите. Какви алгоритми са били сравнени? Какви са разликите между тях? Защо най-добрият модел се представя по-добре в този случай?
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Преглед и самостоятелно обучение
+
+В този урок научихте как да обучите, разположите и консумирате модел за прогнозиране на риска от сърдечна недостатъчност с малко или без код в облака. Ако все още не сте го направили, задълбочете се в обясненията на модела, които AutoML е генерирал за най-добрите модели, и се опитайте да разберете защо най-добрият модел е по-добър от останалите.
+
+Можете да се задълбочите в AutoML с малко или без код, като прочетете тази [документация](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Задание
+
+[Проект за наука за данни с малко или без код в Azure ML](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..0b0ebde4
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:56+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Проект за Data Science с малко или без код на Azure ML
+
+## Инструкции
+
+Видяхме как да използваме платформата Azure ML за обучение, внедряване и използване на модел по начин с малко или без код. Сега потърсете данни, които можете да използвате за обучение на друг модел, да го внедрите и да го използвате. Можете да намерите набори от данни на [Kaggle](https://kaggle.com) и [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Критерии за оценка
+
+| Отлично | Задоволително | Нуждае се от подобрение |
+|---------|---------------|-------------------------|
+|При качването на данните сте се погрижили да промените типа на характеристиките, ако е необходимо. Също така сте почистили данните, ако е нужно. Провели сте обучение върху набор от данни чрез AutoML и сте проверили обясненията на модела. Внедрили сте най-добрия модел и сте успели да го използвате. | При качването на данните сте се погрижили да промените типа на характеристиките, ако е необходимо. Провели сте обучение върху набор от данни чрез AutoML, внедрили сте най-добрия модел и сте успели да го използвате. | Внедрили сте най-добрия модел, обучен чрез AutoML, и сте успели да го използвате. |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/bg/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..314e2294
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,313 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:16:08+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни в облака: Пътят на "Azure ML SDK"
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Наука за данни в облака: Azure ML SDK - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+Съдържание:
+
+- [Наука за данни в облака: Пътят на "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Тест преди лекцията](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Въведение](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Какво е Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Проект за предсказване на сърдечна недостатъчност и въведение в набора от данни](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Обучение на модел с Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Създаване на работно пространство в Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Създаване на изчислителен екземпляр](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Зареждане на набора от данни](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Създаване на тетрадки](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Обучение на модел](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Настройка на работно пространство, експеримент, изчислителен клъстер и набор от данни](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Конфигурация и обучение с AutoML](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Разгръщане на модел и използване на крайна точка с Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Запазване на най-добрия модел](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Разгръщане на модел](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Използване на крайна точка](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Предизвикателство](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Тест след лекцията](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Преглед и самостоятелно обучение](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Задача](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Въведение
+
+### 1.1 Какво е Azure ML SDK?
+
+Специалистите по данни и разработчиците на AI използват Azure Machine Learning SDK, за да създават и изпълняват работни потоци за машинно обучение с услугата Azure Machine Learning. Можете да взаимодействате с услугата във всяка Python среда, включително Jupyter Notebooks, Visual Studio Code или вашия любим Python IDE.
+
+Основни области на SDK включват:
+
+- Изследване, подготовка и управление на жизнения цикъл на наборите от данни, използвани в експериментите за машинно обучение.
+- Управление на облачни ресурси за мониторинг, логване и организиране на експериментите за машинно обучение.
+- Обучение на модели локално или с използване на облачни ресурси, включително ускорено обучение на модели с GPU.
+- Използване на автоматизирано машинно обучение, което приема конфигурационни параметри и тренировъчни данни. То автоматично преминава през алгоритми и настройки на хиперпараметри, за да намери най-добрия модел за предсказания.
+- Разгръщане на уеб услуги за преобразуване на обучените модели в RESTful услуги, които могат да бъдат използвани във всяко приложение.
+
+[Научете повече за Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+В [предишния урок](../18-Low-Code/README.md) разгледахме как да обучим, разположим и използваме модел по начин с малко или без код. Използвахме набора от данни за сърдечна недостатъчност, за да създадем модел за предсказване на сърдечна недостатъчност. В този урок ще направим същото, но с използване на Azure Machine Learning SDK.
+
+![схема на проекта](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.bg.png)
+
+### 1.2 Проект за предсказване на сърдечна недостатъчност и въведение в набора от данни
+
+Вижте [тук](../18-Low-Code/README.md) въведението в проекта за предсказване на сърдечна недостатъчност и набора от данни.
+
+## 2. Обучение на модел с Azure ML SDK
+### 2.1 Създаване на работно пространство в Azure ML
+
+За удобство ще работим в jupyter notebook. Това предполага, че вече имате работно пространство и изчислителен екземпляр. Ако вече имате работно пространство, можете директно да преминете към секция 2.3 Създаване на тетрадка.
+
+Ако не, моля, следвайте инструкциите в секция **2.1 Създаване на работно пространство в Azure ML** в [предишния урок](../18-Low-Code/README.md), за да създадете работно пространство.
+
+### 2.2 Създаване на изчислителен екземпляр
+
+В [работното пространство на Azure ML](https://ml.azure.com/), което създадохме по-рано, отидете в менюто Compute и ще видите различните налични изчислителни ресурси.
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.bg.png)
+
+Нека създадем изчислителен екземпляр, за да осигурим jupyter notebook. 
+1. Кликнете върху бутона + New. 
+2. Дайте име на вашия изчислителен екземпляр.
+3. Изберете вашите опции: CPU или GPU, размер на VM и брой ядра.
+4. Кликнете върху бутона Create.
+
+Поздравления, току-що създадохте изчислителен екземпляр! Ще използваме този изчислителен екземпляр, за да създадем тетрадка в секцията [Създаване на тетрадки](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Зареждане на набора от данни
+Вижте [предишния урок](../18-Low-Code/README.md) в секция **2.3 Зареждане на набора от данни**, ако все още не сте качили набора от данни.
+
+### 2.4 Създаване на тетрадки
+
+> **_ЗАБЕЛЕЖКА:_** За следващата стъпка можете или да създадете нова тетрадка от нулата, или да качите [тетрадката, която създадохме](notebook.ipynb) във вашето Azure ML Studio. За да я качите, просто кликнете върху менюто "Notebook" и качете тетрадката.
+
+Тетрадките са наистина важна част от процеса на наука за данни. Те могат да се използват за провеждане на изследователски анализ на данни (EDA), извикване към изчислителен клъстер за обучение на модел, извикване към клъстер за предсказания за разгръщане на крайна точка.
+
+За да създадете тетрадка, ни е необходим изчислителен възел, който обслужва инстанцията на jupyter notebook. Върнете се в [работното пространство на Azure ML](https://ml.azure.com/) и кликнете върху Compute instances. В списъка с изчислителни екземпляри трябва да видите [изчислителния екземпляр, който създадохме по-рано](../../../../5-Data-Science-In-Cloud/19-Azure). 
+
+1. В секцията Applications кликнете върху опцията Jupyter. 
+2. Отметнете полето "Yes, I understand" и кликнете върху бутона Continue.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.bg.png)
+3. Това трябва да отвори нов раздел в браузъра с вашата инстанция на jupyter notebook, както следва. Кликнете върху бутона "New", за да създадете тетрадка.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.bg.png)
+
+Сега, когато имаме тетрадка, можем да започнем обучението на модела с Azure ML SDK.
+
+### 2.5 Обучение на модел
+
+Първо, ако имате съмнения, вижте [документацията за Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Тя съдържа цялата необходима информация за разбиране на модулите, които ще разгледаме в този урок.
+
+#### 2.5.1 Настройка на работно пространство, експеримент, изчислителен клъстер и набор от данни
+
+Трябва да заредите `workspace` от конфигурационния файл, използвайки следния код:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Това връща обект от тип `Workspace`, който представлява работното пространство. След това трябва да създадете `experiment`, използвайки следния код:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+За да получите или създадете експеримент от работно пространство, трябва да заявите експеримента, използвайки името на експеримента. Името на експеримента трябва да бъде между 3-36 символа, да започва с буква или цифра и да съдържа само букви, цифри, подчертавания и тирета. Ако експериментът не бъде намерен в работното пространство, се създава нов експеримент.
+
+Сега трябва да създадете изчислителен клъстер за обучението, използвайки следния код. Имайте предвид, че тази стъпка може да отнеме няколко минути. 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Можете да получите набора от данни от работното пространство, използвайки името на набора от данни по следния начин:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 Конфигурация и обучение с AutoML
+
+За да зададете конфигурацията на AutoML, използвайте [класа AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Както е описано в документацията, има много параметри, с които можете да експериментирате. За този проект ще използваме следните параметри:
+
+- `experiment_timeout_minutes`: Максималното време (в минути), което експериментът може да работи, преди да бъде автоматично спрян и резултатите да бъдат автоматично предоставени.
+- `max_concurrent_iterations`: Максималният брой едновременни итерации на обучение, позволени за експеримента.
+- `primary_metric`: Основният метрик, използван за определяне на състоянието на експеримента.
+- `compute_target`: Целта за изчисление в Azure Machine Learning, на която да се изпълни експериментът за автоматизирано машинно обучение.
+- `task`: Типът задача, която да се изпълни. Стойностите могат да бъдат 'classification', 'regression' или 'forecasting' в зависимост от типа проблем за автоматизирано машинно обучение.
+- `training_data`: Тренировъчните данни, които ще се използват в експеримента. Те трябва да съдържат както тренировъчни характеристики, така и колона с етикети (опционално колона с тегла на пробите).
+- `label_column_name`: Името на колоната с етикети.
+- `path`: Пълният път до папката на проекта в Azure Machine Learning.
+- `enable_early_stopping`: Дали да се активира ранно прекратяване, ако резултатът не се подобрява в краткосрочен план.
+- `featurization`: Индикатор дали стъпката за извличане на характеристики трябва да се извърши автоматично или не, или дали трябва да се използва персонализирано извличане на характеристики.
+- `debug_log`: Файлът за логване на информация за отстраняване на грешки.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Сега, когато конфигурацията е зададена, можете да обучите модела, използвайки следния код. Тази стъпка може да отнеме до час, в зависимост от размера на вашия клъстер.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+Можете да изпълните RunDetails widget, за да покажете различните експерименти.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Разгръщане на модел и използване на крайна точка с Azure ML SDK
+
+### 3.1 Запазване на най-добрия модел
+
+`remote_run` е обект от тип [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Този обект съдържа метода `get_output()`, който връща най-доброто изпълнение и съответния обучен модел.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+Можете да видите параметрите, използвани за най-добрия модел, като просто отпечатате fitted_model и да видите свойствата на най-добрия модел, използвайки метода [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Сега регистрирайте модела с метода [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Разгръщане на модел
+
+След като най-добрият модел е запазен, можем да го разположим с класа [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig представлява конфигурационните настройки за персонализирана среда, използвана за разгръщане. Класът [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) представлява модел за машинно обучение, разположен като крайна точка на уеб услуга в Azure Container Instances. Разположената услуга се създава от модел, скрипт и свързани файлове. Получената уеб услуга е балансирана HTTP крайна точка с REST API. Можете да изпращате данни към този API и да получавате предсказания, върнати от модела.
+
+Моделът се разполага, използвайки метода [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Тази стъпка трябва да отнеме няколко минути.
+
+### 3.3 Използване на крайна точка
+
+Можете да използвате вашата крайна точка, като създадете примерен вход:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+След това можете да изпратите този вход към вашия модел за предсказание:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```
+Това трябва да изведе `'{"result": [false]}'`. Това означава, че въведените данни за пациента, които изпратихме към крайната точка, генерираха предсказание `false`, което означава, че този човек вероятно няма да получи инфаркт.
+
+Поздравления! Току-що използвахте модела, разположен и обучен в Azure ML с Azure ML SDK!
+
+
+> **_NOTE:_** След като приключите с проекта, не забравяйте да изтриете всички ресурси.
+
+## 🚀 Предизвикателство
+
+Има много други неща, които можете да направите чрез SDK, за съжаление, не можем да ги разгледаме всички в този урок. Но добрата новина е, че научаването как да се ориентирате в документацията на SDK може да ви помогне много. Разгледайте документацията на Azure ML SDK и намерете класа `Pipeline`, който ви позволява да създавате конвейери. Конвейерът е колекция от стъпки, които могат да бъдат изпълнени като работен процес.
+
+**ПОДСКАЗКА:** Отидете на [документацията на SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) и въведете ключови думи в полето за търсене, като "Pipeline". Трябва да видите класа `azureml.pipeline.core.Pipeline` в резултатите от търсенето.
+
+## [Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Преглед и самостоятелно обучение
+
+В този урок научихте как да обучите, разположите и използвате модел за предсказване на риска от сърдечна недостатъчност с Azure ML SDK в облака. Разгледайте тази [документация](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) за допълнителна информация относно Azure ML SDK. Опитайте да създадете свой собствен модел с Azure ML SDK. 
+
+## Задача
+
+[Проект по наука за данни с Azure ML SDK](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/bg/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..090fef3b
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:42+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Проект за анализ на данни с Azure ML SDK
+
+## Инструкции
+
+Видяхме как да използваме платформата Azure ML за обучение, внедряване и използване на модел с Azure ML SDK. Сега потърсете данни, които можете да използвате за обучение на друг модел, да го внедрите и да го използвате. Можете да търсите набори от данни на [Kaggle](https://kaggle.com) и [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Критерии за оценка
+
+| Отлично | Задоволително | Нуждае се от подобрение |
+|---------|---------------|-------------------------|
+|При конфигурирането на AutoML сте прегледали документацията на SDK, за да видите какви параметри можете да използвате. Проведохте обучение на набор от данни чрез AutoML с Azure ML SDK и проверихте обясненията на модела. Внедрихте най-добрия модел и успяхте да го използвате чрез Azure ML SDK. | Проведохте обучение на набор от данни чрез AutoML с Azure ML SDK и проверихте обясненията на модела. Внедрихте най-добрия модел и успяхте да го използвате чрез Azure ML SDK. | Проведохте обучение на набор от данни чрез AutoML с Azure ML SDK. Внедрихте най-добрия модел и успяхте да го използвате чрез Azure ML SDK. |
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/5-Data-Science-In-Cloud/README.md b/translations/bg/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..b960a68e
--- /dev/null
+++ b/translations/bg/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:53:33+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни в облака
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.bg.jpg)
+
+> Снимка от [Jelleke Vanooteghem](https://unsplash.com/@ilumire) от [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Когато става въпрос за работа с големи данни в науката за данни, облакът може да бъде истинска промяна. В следващите три урока ще разгледаме какво представлява облакът и защо може да бъде много полезен. Ще изследваме набор от данни за сърдечна недостатъчност и ще изградим модел, който да помогне за оценка на вероятността някой да има сърдечна недостатъчност. Ще използваме силата на облака, за да обучим, внедрим и използваме модел по два различни начина. Единият начин е чрез потребителския интерфейс в стил "Low code/No code", а другият - чрез Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.bg.png)
+
+### Теми
+
+1. [Защо да използваме облака за наука за данни?](17-Introduction/README.md)
+2. [Наука за данни в облака: Методът "Low code/No code"](18-Low-Code/README.md)
+3. [Наука за данни в облака: Методът "Azure ML SDK"](19-Azure/README.md)
+
+### Кредити
+Тези уроци са написани с ☁️ и 💕 от [Maud Levy](https://twitter.com/maudstweets) и [Tiffany Souterre](https://twitter.com/TiffanySouterre)
+
+Данните за проекта за прогнозиране на сърдечна недостатъчност са предоставени от [
+Larxel](https://www.kaggle.com/andrewmvd) на [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Лицензирани са под [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..d2161f4b
--- /dev/null
+++ b/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,153 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:50:23+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни в реалния свят
+
+| ![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Наука за данни в реалния свят - _Скетч от [@nitya](https://twitter.com/nitya)_               |
+
+Почти сме в края на това учебно пътешествие!
+
+Започнахме с дефиниции за науката за данни и етика, разгледахме различни инструменти и техники за анализ и визуализация на данни, прегледахме жизнения цикъл на науката за данни и разгледахме мащабирането и автоматизацията на работните процеси с облачни услуги. Вероятно се питате: _"Как точно да приложа всичко това в реални контексти?"_
+
+В този урок ще разгледаме приложенията на науката за данни в различни индустрии и ще се потопим в конкретни примери в областите на изследванията, дигиталните хуманитарни науки и устойчивостта. Ще разгледаме възможности за студентски проекти и ще завършим с полезни ресурси, които да ви помогнат да продължите своето обучение!
+
+## Предварителен тест
+
+[Предварителен тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Наука за данни + Индустрия
+
+Благодарение на демократизацията на AI, разработчиците вече намират за по-лесно да проектират и интегрират решения, базирани на AI, и прозрения, базирани на данни, в потребителския опит и работните процеси на разработка. Ето няколко примера за това как науката за данни се "прилага" в реални приложения в индустрията:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) използва науката за данни, за да свърже търсения с тенденции за грип. Въпреки че подходът имаше недостатъци, той повиши осведомеността за възможностите (и предизвикателствата) на прогнозите в здравеопазването, базирани на данни.
+
+ * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - обяснява как UPS използва науката за данни и машинното обучение, за да предскаже оптимални маршрути за доставка, като взема предвид метеорологичните условия, трафика, сроковете за доставка и други.
+
+ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - данни, събрани чрез [Закони за свобода на информацията](https://chriswhong.com/open-data/foil_nyc_taxi/), помогнаха за визуализацията на един ден от живота на такситата в Ню Йорк, като ни показаха как те се движат из натоварения град, парите, които печелят, и продължителността на пътуванията за всеки 24-часов период.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - използва данни (за местата на качване и слизане, продължителността на пътуванията, предпочитаните маршрути и др.), събрани от милиони ежедневни пътувания с Uber, за да създаде инструмент за анализ на данни, който помага при ценообразуване, безопасност, откриване на измами и навигационни решения.
+
+ * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - фокусира се върху _предсказателен анализ_ (анализ на отбори и играчи - като [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - и управление на фенове) и _визуализация на данни_ (табла за отбори и фенове, игри и др.) с приложения като подбор на таланти, спортни залагания и управление на инвентар/места.
+
+ * [Наука за данни в банковия сектор](https://data-flair.training/blogs/data-science-in-banking/) - подчертава стойността на науката за данни във финансовата индустрия с приложения, вариращи от моделиране на рискове и откриване на измами до сегментация на клиенти, прогнози в реално време и системи за препоръки. Предсказателният анализ също така движи критични мерки като [кредитни оценки](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Наука за данни в здравеопазването](https://data-flair.training/blogs/data-science-in-healthcare/) - подчертава приложения като медицинска визуализация (например MRI, рентген, CT-сканиране), геномика (секвениране на ДНК), разработка на лекарства (оценка на риска, прогноза за успех), предсказателен анализ (грижа за пациенти и логистика на доставки), проследяване и превенция на заболявания и др.
+
+![Приложения на науката за данни в реалния свят](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.bg.png) Кредит за изображението: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+Фигурата показва други области и примери за прилагане на техники от науката за данни. Искате ли да разгледате други приложения? Вижте секцията [Преглед и самостоятелно обучение](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) по-долу.
+
+## Наука за данни + Изследвания
+
+| ![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Наука за данни и изследвания - _Скетч от [@nitya](https://twitter.com/nitya)_              |
+
+Докато приложенията в реалния свят често се фокусират върху индустриални случаи в мащаб, _изследователските_ приложения и проекти могат да бъдат полезни от две перспективи:
+
+* _възможности за иновации_ - изследване на бързото прототипиране на напреднали концепции и тестване на потребителския опит за приложения от следващо поколение.
+* _предизвикателства при внедряване_ - изследване на потенциалните вреди или непредвидени последици от технологиите на науката за данни в реални контексти.
+
+За студентите тези изследователски проекти могат да предоставят както възможности за обучение, така и за сътрудничество, които да подобрят разбирането ви за темата и да разширят осведомеността и ангажираността ви с подходящи хора или екипи, работещи в области от интерес. Как изглеждат изследователските проекти и как могат да имат въздействие?
+
+Нека разгледаме един пример - [MIT Gender Shades Study](http://gendershades.org/overview.html) от Джой Буоламвини (MIT Media Labs) с [подписана изследователска статия](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf), съавторство с Тимнит Гебру (тогава в Microsoft Research), която се фокусира върху:
+
+ * **Какво:** Целта на изследователския проект беше _оценка на пристрастията, присъстващи в алгоритмите и наборите от данни за автоматизиран анализ на лица_, базирани на пол и тип кожа.
+ * **Защо:** Анализът на лица се използва в области като правоприлагане, сигурност на летища, системи за наемане и други - контексти, в които неточните класификации (например, поради пристрастия) могат да причинят потенциални икономически и социални вреди на засегнатите лица или групи. Разбирането (и премахването или смекчаването) на пристрастията е ключово за справедливостта при използване.
+ * **Как:** Изследователите разпознаха, че съществуващите бенчмаркове използват предимно субекти с по-светла кожа и създадоха нов набор от данни (1000+ изображения), който беше _по-балансиран_ по пол и тип кожа. Наборът от данни беше използван за оценка на точността на три продукта за класификация на пол (от Microsoft, IBM и Face++).
+
+Резултатите показаха, че въпреки че общата точност на класификацията беше добра, имаше забележима разлика в процентите на грешки между различните подгрупи - с **грешно определяне на пола**, което беше по-високо за жени или лица с по-тъмна кожа, което е показателно за пристрастия.
+
+**Основни резултати:** Повишена осведоменост, че науката за данни се нуждае от повече _представителни набори от данни_ (балансирани подгрупи) и повече _инклузивни екипи_ (разнообразни среди), за да разпознават и премахват или смекчават такива пристрастия по-рано в AI решенията. Изследователски усилия като това също са инструментални за много организации при дефинирането на принципи и практики за _отговорен AI_, за да се подобри справедливостта в техните AI продукти и процеси.
+
+**Искате ли да научите за съответните изследователски усилия в Microsoft?**
+
+* Разгледайте [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) в областта на изкуствения интелект.
+* Изследвайте студентски проекти от [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Разгледайте проекта [Fairlearn](https://fairlearn.org/) и инициативите за [Отговорен AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Наука за данни + Хуманитарни науки
+
+| ![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Наука за данни и дигитални хуманитарни науки - _Скетч от [@nitya](https://twitter.com/nitya)_              |
+
+Дигиталните хуманитарни науки [са дефинирани](https://digitalhumanities.stanford.edu/about-dh-stanford) като "сбор от практики и подходи, комбиниращи компютърни методи с хуманитарни изследвания". [Проекти на Станфорд](https://digitalhumanities.stanford.edu/projects) като _"рестартиране на историята"_ и _"поетично мислене"_ илюстрират връзката между [Дигиталните хуманитарни науки и науката за данни](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - подчертавайки техники като анализ на мрежи, визуализация на информация, пространствен и текстов анализ, които могат да ни помогнат да преразгледаме исторически и литературни набори от данни, за да извлечем нови прозрения и перспективи.
+
+*Искате ли да изследвате и разширите проект в тази област?*
+
+Разгледайте ["Емили Дикинсън и метърът на настроението"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - страхотен пример от [Джен Лупър](https://twitter.com/jenlooper), който пита как можем да използваме науката за данни, за да преразгледаме позната поезия и да преоценим нейното значение и приноса на автора в нови контексти. Например, _можем ли да предскажем сезона, в който е написано стихотворение, като анализираме неговия тон или настроение_ - и какво ни казва това за състоянието на ума на автора през съответния период?
+
+За да отговорим на този въпрос, следваме стъпките на жизнения цикъл на науката за данни:
+ * [`Събиране на данни`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - за събиране на подходящ набор от данни за анализ. Опциите включват използване на API (например [Poetry DB API](https://poetrydb.org/index.html)) или извличане на уеб страници (например [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) с инструменти като [Scrapy](https://scrapy.org/).
+ * [`Почистване на данни`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - обяснява как текстът може да бъде форматиран, пречистен и опростен с основни инструменти като Visual Studio Code и Microsoft Excel.
+ * [`Анализ на данни`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - обяснява как можем да импортираме набора от данни в "ноутбуци" за анализ, използвайки Python пакети (като pandas, numpy и matplotlib), за да организираме и визуализираме данните.
+ * [`Анализ на настроението`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - обяснява как можем да интегрираме облачни услуги като Text Analytics, използвайки инструменти с нисък код като [Power Automate](https://flow.microsoft.com/en-us/) за автоматизирани работни процеси за обработка на данни.
+
+Използвайки този работен процес, можем да изследваме сезонните влияния върху настроението на стихотворенията и да ни помогнем да формираме свои собствени перспективи за автора. Опитайте го сами - след това разширете ноутбука, за да зададете други въпроси или да визуализирате данните по нови начини!
+
+> Можете да използвате някои от инструментите в [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit), за да преследвате тези направления на изследване.
+
+## Наука за данни + Устойчивост
+
+| ![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Наука за данни и устойчивост - _Скетч от [@nitya](https://twitter.com/nitya)_              |
+
+[Програмата за устойчиво развитие до 2030 г.](https://sdgs.un.org/2030agenda) - приета от всички членове на ООН през 2015 г. - идентифицира 17 цели, включително такива, които се фокусират върху **защита на планетата** от деградация и въздействието на климатичните промени. Инициативата [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) подкрепя тези цели, като изследва начини, по които технологичните решения могат да подкрепят и изградят по-устойчиво бъдеще с [фокус върху 4 цели](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - да бъдат въглеродно отрицателни, водно положителни, с нулеви отпадъци и биоразнообразни до 2030 г.
+
+Справянето с тези предизвикателства в мащабен и своевременен начин изисква мислене в облачен мащаб - и големи обеми данни. Инициативата [Planetary Computer](https://planetarycomputer.microsoft.com/) предоставя 4 компонента, които да помогнат на учените за данни и разработчиците в това усилие:
+
+ * [Каталог на данни](https://planetarycomputer.microsoft.com/catalog) - с петабайти данни за земните системи (безплатни и хоствани в Azure).
+ * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - за да помогне на потребителите да търсят подходящи данни в пространството и врем
+**Проектът Planetary Computer в момента е в предварителен преглед (към септември 2021 г.)** - ето как можете да започнете да допринасяте за устойчиви решения чрез наука за данни.
+
+* [Заявете достъп](https://planetarycomputer.microsoft.com/account/request), за да започнете изследването и да се свържете с колеги.
+* [Разгледайте документацията](https://planetarycomputer.microsoft.com/docs/overview/about), за да разберете поддържаните набори от данни и API.
+* Разгледайте приложения като [Мониторинг на екосистемите](https://analytics-lab.org/ecosystemmonitoring/) за вдъхновение относно идеи за приложения.
+
+Помислете как можете да използвате визуализация на данни, за да разкриете или подчертаете важни прозрения в области като климатични промени и обезлесяване. Или помислете как тези прозрения могат да бъдат използвани за създаване на нови потребителски преживявания, които мотивират поведенчески промени за по-устойчив начин на живот.
+
+## Наука за данни + Студенти
+
+Говорихме за приложения в реалния свят в индустрията и изследванията и разгледахме примери за приложения на науката за данни в дигиталните хуманитарни науки и устойчивостта. Но как можете да развиете уменията си и да споделите експертизата си като начинаещи в науката за данни?
+
+Ето няколко примера за студентски проекти в областта на науката за данни, които да ви вдъхновят.
+
+ * [Лятно училище по наука за данни на MSR](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) с GitHub [проекти](https://github.com/msr-ds3), изследващи теми като:
+    - [Расови предразсъдъци при използването на сила от полицията](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+    - [Надеждност на метрото в Ню Йорк](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+ * [Дигитализиране на материалната култура: Изследване на социално-икономическите разпределения в Сиркап](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - от [Орнела Алтунян](https://twitter.com/ornelladotcom) и екип от Клермонт, използвайки [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Предизвикателство
+
+Потърсете статии, които препоръчват проекти в областта на науката за данни, подходящи за начинаещи - като [тези 50 теми](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) или [тези 21 идеи за проекти](https://www.intellspot.com/data-science-project-ideas) или [тези 16 проекта с изходен код](https://data-flair.training/blogs/data-science-project-ideas/), които можете да анализирате и адаптирате. И не забравяйте да пишете блогове за вашето учебно пътешествие и да споделяте прозренията си с всички нас.
+
+## Тест след лекцията
+
+[Тест след лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Преглед и самостоятелно обучение
+
+Искате ли да изследвате повече случаи на употреба? Ето няколко подходящи статии:
+ * [17 приложения и примери за наука за данни](https://builtin.com/data-science/data-science-applications-examples) - юли 2021 г.
+ * [11 впечатляващи приложения на науката за данни в реалния свят](https://myblindbird.com/data-science-applications-real-world/) - май 2021 г.
+ * [Наука за данни в реалния свят](https://towardsdatascience.com/data-science-in-the-real-world/home) - колекция от статии
+ * Наука за данни в: [Образованието](https://data-flair.training/blogs/data-science-in-education/), [Селското стопанство](https://data-flair.training/blogs/data-science-in-agriculture/), [Финансите](https://data-flair.training/blogs/data-science-in-finance/), [Киното](https://data-flair.training/blogs/data-science-at-movies/) и други.
+
+## Задача
+
+[Изследвайте набор от данни на Planetary Computer](assignment.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..65ae1d67
--- /dev/null
+++ b/translations/bg/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:52:23+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "bg"
+}
+-->
+# Изследване на набор от данни от Planetary Computer
+
+## Инструкции
+
+В този урок обсъдихме различни области на приложение на науката за данни - с подробни примери, свързани с изследвания, устойчивост и дигитални хуманитарни науки. В това задание ще разгледате един от тези примери по-подробно и ще приложите наученото за визуализация и анализ на данни, за да извлечете прозрения за данни, свързани с устойчивостта.
+
+Проектът [Planetary Computer](https://planetarycomputer.microsoft.com/) предоставя набори от данни и API, които могат да бъдат достъпни с акаунт - ако искате да опитате бонус стъпката на заданието, можете да заявите достъп. Сайтът също така предлага функцията [Explorer](https://planetarycomputer.microsoft.com/explore), която можете да използвате без да създавате акаунт.
+
+`Стъпки:`
+Интерфейсът Explorer (показан на екранната снимка по-долу) ви позволява да изберете набор от данни (от предоставените опции), предварително зададено запитване (за филтриране на данни) и опция за визуализация (за създаване на подходяща графика). В това задание вашата задача е:
+
+ 1. Прочетете [документацията на Explorer](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - разберете опциите.
+ 2. Разгледайте [Каталога](https://planetarycomputer.microsoft.com/catalog) на наборите от данни - научете за целта на всеки.
+ 3. Използвайте Explorer - изберете набор от данни, който ви интересува, изберете подходящо запитване и опция за визуализация.
+
+![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.bg.png)
+
+`Вашата задача:`
+Сега изучете визуализацията, която се генерира в браузъра, и отговорете на следните въпроси:
+ * Какви _характеристики_ има наборът от данни?
+ * Какви _прозрения_ или резултати предоставя визуализацията?
+ * Какви са _последствията_ от тези прозрения за целите на устойчивостта на проекта?
+ * Какви са _ограниченията_ на визуализацията (т.е. каква информация не успяхте да получите)?
+ * Ако можете да получите суровите данни, какви _алтернативни визуализации_ бихте създали и защо?
+
+`Бонус точки:`
+Заявете акаунт - и влезте, когато бъде одобрен.
+ * Използвайте опцията _Launch Hub_, за да отворите суровите данни в Notebook.
+ * Разгледайте данните интерактивно и реализирайте алтернативните визуализации, които сте обмислили.
+ * Сега анализирайте вашите персонализирани визуализации - успяхте ли да извлечете прозренията, които ви липсваха преди?
+
+## Критерии за оценка
+
+Примерен | Адекватен | Нуждае се от подобрение
+--- | --- | -- |
+Всички пет основни въпроса са отговорени. Студентът ясно е идентифицирал как текущите и алтернативните визуализации могат да предоставят прозрения за целите или резултатите, свързани с устойчивостта.| Студентът е отговорил поне на първите три въпроса с големи подробности, показвайки, че има практически опит с Explorer.| Студентът не е отговорил на множество въпроси или е предоставил недостатъчно подробности - което показва, че не е направен смислен опит за проекта.|
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/6-Data-Science-In-Wild/README.md b/translations/bg/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..d83df6fb
--- /dev/null
+++ b/translations/bg/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:44:21+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни в реалния свят
+
+Приложения на науката за данни в различни индустрии.
+
+### Теми
+
+1. [Наука за данни в реалния свят](20-Real-World-Examples/README.md)
+
+### Благодарности
+
+Написано с ❤️ от [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/CODE_OF_CONDUCT.md b/translations/bg/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..a8c99cb2
--- /dev/null
+++ b/translations/bg/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:24:16+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "bg"
+}
+-->
+# Кодекс за поведение при отворен код на Microsoft
+
+Този проект е приел [Кодекса за поведение при отворен код на Microsoft](https://opensource.microsoft.com/codeofconduct/).
+
+Ресурси:
+
+- [Кодекс за поведение при отворен код на Microsoft](https://opensource.microsoft.com/codeofconduct/)
+- [Често задавани въпроси за Кодекса за поведение](https://opensource.microsoft.com/codeofconduct/faq/)
+- Свържете се с [opencode@microsoft.com](mailto:opencode@microsoft.com) при въпроси или притеснения
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/CONTRIBUTING.md b/translations/bg/CONTRIBUTING.md
new file mode 100644
index 00000000..e5c8b045
--- /dev/null
+++ b/translations/bg/CONTRIBUTING.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:27:10+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "bg"
+}
+-->
+# Принос
+
+Този проект приветства приноси и предложения. Повечето приноси изискват от вас да се съгласите с Лицензионно споразумение за приносител (CLA), което декларира, че имате правото и наистина предоставяте ни правата да използваме вашия принос. За повече подробности посетете https://cla.microsoft.com.
+
+Когато изпратите pull заявка, CLA-ботът автоматично ще определи дали трябва да предоставите CLA и ще отбележи PR съответно (например, с етикет, коментар). Просто следвайте инструкциите, предоставени от бота. Ще трябва да направите това само веднъж за всички хранилища, които използват нашия CLA.
+
+Този проект е приел [Кодекса за поведение на Microsoft за отворен код](https://opensource.microsoft.com/codeofconduct/).  
+За повече информация вижте [Често задавани въпроси за Кодекса за поведение](https://opensource.microsoft.com/codeofconduct/faq/)  
+или се свържете с [opencode@microsoft.com](mailto:opencode@microsoft.com) за допълнителни въпроси или коментари.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/README.md b/translations/bg/README.md
new file mode 100644
index 00000000..6d3c2615
--- /dev/null
+++ b/translations/bg/README.md
@@ -0,0 +1,164 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:19:50+00:00",
+  "source_file": "README.md",
+  "language_code": "bg"
+}
+-->
+# Наука за данни за начинаещи - Учебна програма
+
+Azure Cloud Advocates в Microsoft с удоволствие предлагат 10-седмична, 20-урочна учебна програма, посветена на науката за данни. Всеки урок включва предварителни и последващи тестове, писмени инструкции за изпълнение на урока, решение и задача. Нашият подход, базиран на проекти, ви позволява да учите, докато създавате, доказан начин за усвояване на нови умения.
+
+**Сърдечни благодарности на нашите автори:** [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).
+
+**🙏 Специални благодарности 🙏 на нашите [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) автори, рецензенти и сътрудници на съдържание,** включително 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/)
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| Наука за данни за начинаещи - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+## Съобщение - Нова учебна програма за Генеративен AI е вече налична!
+
+Току-що пуснахме 12-урочна учебна програма за генеративен AI. Научете неща като:
+
+- създаване на заявки и инженеринг на заявки
+- генериране на текстови и визуални приложения
+- приложения за търсене
+
+Както обикновено, има урок, задачи за изпълнение, проверки на знанията и предизвикателства.
+
+Вижте тук:
+
+> https://aka.ms/genai-beginners
+
+# Студент ли сте?
+
+Започнете с тези ресурси:
+
+- [Студентска страница](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На тази страница ще намерите ресурси за начинаещи, студентски пакети и дори начини да получите безплатен ваучер за сертификат. Това е страница, която си струва да запазите и проверявате редовно, тъй като съдържанието се обновява поне веднъж месечно.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Присъединете се към глобална общност от студентски посланици, това може да бъде вашият път към Microsoft.
+
+# Започнете
+
+> **Учители**: [включили сме някои предложения](for-teachers.md) за това как да използвате тази учебна програма. Ще се радваме на вашата обратна връзка [в нашия форум за дискусии](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Студенти](https://aka.ms/student-page)**: за да използвате тази учебна програма самостоятелно, клонирайте цялото хранилище и изпълнете упражненията самостоятелно, започвайки с предварителен тест. След това прочетете урока и завършете останалите дейности. Опитайте се да създадете проектите, като разбирате уроците, вместо да копирате кода на решенията; въпреки това, този код е наличен в папките /solutions във всеки проектно-ориентиран урок. Друга идея е да създадете учебна група с приятели и да преминете през съдържанието заедно. За допълнително обучение препоръчваме [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Запознайте се с екипа
+
+[![Промо видео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Промо видео")
+
+**Gif от** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!
+
+## Педагогика
+
+Избрахме два педагогически принципа при създаването на тази учебна програма: да гарантираме, че тя е базирана на проекти и че включва чести тестове. До края на тази серия студентите ще са научили основни принципи на науката за данни, включително етични концепции, подготовка на данни, различни начини за работа с данни, визуализация на данни, анализ на данни, реални приложения на науката за данни и други.
+
+Освен това, тест с нисък риск преди урока насочва вниманието на студента към изучаването на дадена тема, докато втори тест след урока гарантира по-добро запаметяване. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде взета изцяло или частично. Проектите започват малки и стават все по-сложни до края на 10-седмичния цикъл.
+
+> Намерете нашите [Правила за поведение](CODE_OF_CONDUCT.md), [Принос](CONTRIBUTING.md), [Превод](TRANSLATIONS.md) насоки. Ще се радваме на вашата конструктивна обратна връзка!
+
+## Всеки урок включва:
+
+- По избор скетч
+- По избор допълнително видео
+- Предварителен тест за загряване
+- Писмен урок
+- За уроци, базирани на проекти, ръководства стъпка по стъпка за изграждане на проекта
+- Проверки на знанията
+- Предизвикателство
+- Допълнително четене
+- Задача
+- Последващ тест
+
+> **Бележка за тестовете**: Всички тестове се намират в папката Quiz-App, за общо 40 теста с по три въпроса всеки. Те са свързани от уроците, но приложението за тестове може да се изпълнява локално или да се разположи в Azure; следвайте инструкциите в папката `quiz-app`. Постепенно се локализират.
+
+## Уроци
+
+|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Наука за данни за начинаещи: Пътна карта - _Скетч от [@nitya](https://twitter.com/nitya)_ |
+
+| Номер на урока | Тема | Групиране на урока | Цели на обучението | Свързан урок | Автор |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Определяне на науката за данни | [Въведение](1-Introduction/README.md) | Научете основните концепции зад науката за данни и как тя е свързана с изкуствения интелект, машинното обучение и големите данни. | [урок](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Етика в науката за данни | [Въведение](1-Introduction/README.md) | Концепции за етика на данните, предизвикателства и рамки. | [урок](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Определяне на данни | [Въведение](1-Introduction/README.md) | Как се класифицират данните и техните общи източници. | [урок](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Въведение в статистиката и вероятността | [Въведение](1-Introduction/README.md) | Математическите техники на вероятността и статистиката за разбиране на данни. | [урок](1-Introduction/04-stats-and-probability/README.md) [видео](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Работа с релационни данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в релационните данни и основите на изследването и анализа на релационни данни със Structured Query Language, известен като SQL (произнася се „си-квел“). | [урок](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Работа с NoSQL данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в нерелационните данни, техните различни типове и основите на изследването и анализа на документни бази данни. | [урок](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Работа с Python | [Работа с данни](2-Working-With-Data/README.md) | Основи на използването на Python за изследване на данни с библиотеки като Pandas. Препоръчва се основно разбиране на програмирането с Python. | [урок](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Подготовка на данни | [Работа с данни](2-Working-With-Data/README.md) | Теми за техники за почистване и трансформиране на данни, за справяне с предизвикателства като липсващи, неточни или непълни данни. | [урок](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Визуализиране на количества | [Визуализация на данни](3-Data-Visualization/README.md) | Научете как да използвате Matplotlib за визуализиране на данни за птици 🦆 | [урок](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Визуализиране на разпределения на данни | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на наблюдения и тенденции в рамките на интервал. | [урок](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Визуализиране на пропорции | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на дискретни и групирани проценти. | [урок](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Визуализиране на взаимоотношения | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на връзки и корелации между набори от данни и техните променливи. | [урок](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Значими визуализации | [Визуализация на данни](3-Data-Visualization/README.md) | Техники и насоки за създаване на визуализации, които са ценни за ефективно решаване на проблеми и извличане на прозрения. | [урок](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Въведение в жизнения цикъл на науката за данни | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Въведение в жизнения цикъл на науката за данни и първата му стъпка - придобиване и извличане на данни. | [урок](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Анализиране | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху техники за анализ на данни. | [урок](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Комуникация | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху представянето на прозренията от данните по начин, който улеснява разбирането от страна на вземащите решения. | [урок](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Тази серия от уроци представя науката за данни в облака и нейните предимства. | [урок](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) |
+| 18 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Обучение на модели с помощта на инструменти за нисък код. | [урок](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) |
+| 19 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Деплойване на модели с Azure Machine Learning Studio. | [урок](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) |
+| 20 | Наука за данни в реалния свят | [В реалния свят](6-Data-Science-In-Wild/README.md) | Проекти, базирани на науката за данни, в реалния свят. | [урок](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Следвайте тези стъпки, за да отворите този пример в Codespace:
+1. Кликнете върху падащото меню Code и изберете опцията Open with Codespaces.
+2. Изберете + New codespace в долната част на панела.
+За повече информация, вижте [документацията на GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Следвайте тези стъпки, за да отворите това хранилище в контейнер, използвайки вашата локална машина и VSCode с разширението VS Code Remote - Containers:
+
+1. Ако за първи път използвате контейнер за разработка, уверете се, че вашата система отговаря на предварителните изисквания (например, инсталиран Docker) в [документацията за започване](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+За да използвате това хранилище, можете да го отворите в изолиран Docker обем:
+
+**Забележка**: В основата си това ще използва командата Remote-Containers: **Clone Repository in Container Volume...**, за да клонира изходния код в Docker обем вместо в локалната файлова система. [Обемите](https://docs.docker.com/storage/volumes/) са предпочитаният механизъм за запазване на данни в контейнера.
+
+Или да отворите локално клонирана или изтеглена версия на хранилището:
+
+- Клонирайте това хранилище на вашата локална файлова система.
+- Натиснете F1 и изберете командата **Remote-Containers: Open Folder in Container...**.
+- Изберете клонираното копие на тази папка, изчакайте контейнерът да стартира и опитайте.
+
+## Офлайн достъп
+
+Можете да стартирате тази документация офлайн, използвайки [Docsify](https://docsify.js.org/#/). Форкнете това хранилище, [инсталирайте Docsify](https://docsify.js.org/#/quickstart) на вашата локална машина, след това в основната папка на това хранилище въведете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: `localhost:3000`.
+
+> Забележка: тетрадките няма да бъдат визуализирани чрез Docsify, така че когато трябва да стартирате тетрадка, направете го отделно в VS Code, използвайки Python kernel.
+
+## Търсим помощ!
+
+Ако искате да преведете цялата или част от учебната програма, моля, следвайте нашето ръководство [Translations](TRANSLATIONS.md).
+
+## Други учебни програми
+
+Нашият екип създава и други учебни програми! Вижте:
+
+- [Generative AI for Beginners](https://aka.ms/genai-beginners)
+- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generative AI with Java](https://aka.ms/genaijava)
+- [AI for Beginners](https://aka.ms/ai-beginners)
+- [Data Science for Beginners](https://aka.ms/datascience-beginners)
+- [ML for Beginners](https://aka.ms/ml-beginners)
+- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) 
+- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
+- [IoT for Beginners](https://aka.ms/iot-beginners)
+- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
+- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/SECURITY.md b/translations/bg/SECURITY.md
new file mode 100644
index 00000000..f71ec4f2
--- /dev/null
+++ b/translations/bg/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:26:09+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "bg"
+}
+-->
+## Сигурност
+
+Microsoft приема сигурността на своите софтуерни продукти и услуги сериозно, включително всички хранилища с изходен код, управлявани чрез нашите GitHub организации, които включват [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) и [нашите GitHub организации](https://opensource.microsoft.com/).
+
+Ако смятате, че сте открили уязвимост в сигурността в някое хранилище, притежавано от Microsoft, която отговаря на [дефиницията на Microsoft за уязвимост в сигурността](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), моля, докладвайте я, както е описано по-долу.
+
+## Докладване на проблеми със сигурността
+
+**Моля, не докладвайте уязвимости в сигурността чрез публични GitHub въпроси.**
+
+Вместо това, докладвайте ги на Microsoft Security Response Center (MSRC) на [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Ако предпочитате да изпратите доклада без да влизате в системата, изпратете имейл на [secure@microsoft.com](mailto:secure@microsoft.com). Ако е възможно, криптирайте съобщението си с нашия PGP ключ; можете да го изтеглите от [страницата за PGP ключ на Microsoft Security Response Center](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Трябва да получите отговор в рамките на 24 часа. Ако по някаква причина не получите такъв, моля, последвайте с имейл, за да се уверите, че сме получили първоначалното ви съобщение. Допълнителна информация можете да намерите на [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Моля, включете поисканата информация, изброена по-долу (доколкото можете да я предоставите), за да ни помогнете по-добре да разберем естеството и обхвата на възможния проблем:
+
+  * Тип на проблема (например, препълване на буфер, SQL инжекция, cross-site scripting и т.н.)
+  * Пълни пътища на изходните файлове, свързани с проявлението на проблема
+  * Местоположението на засегнатия изходен код (таг/клон/комит или директен URL)
+  * Всяка специална конфигурация, необходима за възпроизвеждане на проблема
+  * Стъпка по стъпка инструкции за възпроизвеждане на проблема
+  * Доказателство за концепция или експлойт код (ако е възможно)
+  * Въздействие на проблема, включително как нападател може да експлоатира проблема
+
+Тази информация ще ни помогне по-бързо да обработим вашия доклад.
+
+Ако докладвате за програма за награди за грешки, по-пълните доклади могат да допринесат за по-висока награда. Моля, посетете нашата страница за [Програмата за награди за грешки на Microsoft](https://microsoft.com/msrc/bounty) за повече подробности относно активните ни програми.
+
+## Предпочитани езици
+
+Предпочитаме всички комуникации да бъдат на английски език.
+
+## Политика
+
+Microsoft следва принципа на [Координирано разкриване на уязвимости](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/SUPPORT.md b/translations/bg/SUPPORT.md
new file mode 100644
index 00000000..b4f22ad7
--- /dev/null
+++ b/translations/bg/SUPPORT.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:37+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "bg"
+}
+-->
+# Поддръжка
+## Как да докладвате проблеми и получите помощ  
+
+Този проект използва GitHub Issues за проследяване на грешки и заявки за функции. Моля, потърсете съществуващите 
+проблеми, преди да създадете нови, за да избегнете дублиране. За нови проблеми, докладвайте вашата грешка или 
+заявка за функция като нов проблем.
+
+За помощ и въпроси относно използването на този проект, създайте проблем.
+
+## Политика за поддръжка на Microsoft  
+
+Поддръжката за това хранилище е ограничена до изброените по-горе ресурси.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/docs/_sidebar.md b/translations/bg/docs/_sidebar.md
new file mode 100644
index 00000000..5270a896
--- /dev/null
+++ b/translations/bg/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:59:19+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "bg"
+}
+-->
+- Въведение
+  - [Определяне на науката за данни](../1-Introduction/01-defining-data-science/README.md)
+  - [Етика в науката за данни](../1-Introduction/02-ethics/README.md)
+  - [Определяне на данни](../1-Introduction/03-defining-data/README.md)
+  - [Вероятност и статистика](../1-Introduction/04-stats-and-probability/README.md)
+- Работа с данни
+  - [Релационни бази данни](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Нерелационни бази данни](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Подготовка на данни](../2-Working-With-Data/08-data-preparation/README.md)
+- Визуализация на данни
+  - [Визуализиране на количества](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Визуализиране на разпределения](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Визуализиране на пропорции](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Визуализиране на взаимоотношения](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Смислени визуализации](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Жизнен цикъл на науката за данни
+  - [Въведение](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Анализиране](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Комуникация](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Наука за данни в облака
+  - [Въведение](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Наука за данни в реалния свят
+  - [Наука за данни в реалния свят](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/for-teachers.md b/translations/bg/for-teachers.md
new file mode 100644
index 00000000..d183cacb
--- /dev/null
+++ b/translations/bg/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:23:21+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "bg"
+}
+-->
+## За преподаватели
+
+Искате ли да използвате тази учебна програма във вашата класна стая? Чувствайте се свободни!
+
+Всъщност, можете да я използвате директно в GitHub, като използвате GitHub Classroom.
+
+За да направите това, клонирайте този репозиторий. Ще трябва да създадете отделен репозиторий за всяка лекция, така че ще трябва да извлечете всяка папка в отделен репозиторий. По този начин [GitHub Classroom](https://classroom.github.com/classrooms) може да обработва всяка лекция поотделно.
+
+Тези [пълни инструкции](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ще ви дадат представа как да настроите вашата класна стая.
+
+## Използване на репозитория в текущия му вид
+
+Ако искате да използвате този репозиторий в настоящия му вид, без да използвате GitHub Classroom, това също е възможно. Ще трябва да комуникирате със своите ученици коя лекция да преминете заедно.
+
+В онлайн формат (Zoom, Teams или друг) можете да създадете отделни стаи за дискусии за тестовете и да наставлявате учениците, за да ги подготвите за учене. След това поканете учениците да участват в тестовете и да изпратят своите отговори като 'issues' в определено време. Можете да направите същото и с заданията, ако искате учениците да работят съвместно и открито.
+
+Ако предпочитате по-приватен формат, помолете учениците си да клонират учебната програма, лекция по лекция, в свои собствени GitHub репозитории като частни репозитории и да ви дадат достъп. След това те могат да завършат тестовете и заданията насаме и да ги изпратят до вас чрез 'issues' в репозитория на вашата класна стая.
+
+Има много начини да направите това да работи в онлайн класна стая. Моля, споделете с нас какво работи най-добре за вас!
+
+## Включено в тази учебна програма:
+
+20 лекции, 40 теста и 20 задания. Визуални бележки съпътстват лекциите за визуални учащи. Много от лекциите са достъпни както на Python, така и на R и могат да бъдат завършени с помощта на Jupyter notebooks в VS Code. Научете повече за това как да настроите вашата класна стая, за да използвате тази технологична платформа: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Всички визуални бележки, включително голям формат на постер, се намират в [тази папка](../../sketchnotes).
+
+Цялата учебна програма е достъпна [като PDF](../../pdf/readme.pdf).
+
+Можете също така да стартирате тази учебна програма като самостоятелен, офлайн уебсайт, като използвате [Docsify](https://docsify.js.org/#/). [Инсталирайте Docsify](https://docsify.js.org/#/quickstart) на вашата локална машина, след това в основната папка на вашето локално копие на този репозиторий въведете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: `localhost:3000`.
+
+Офлайн версия на учебната програма ще се отвори като самостоятелна уеб страница: https://localhost:3000
+
+Лекциите са групирани в 6 части:
+
+- 1: Въведение
+    - 1: Определяне на науката за данни
+    - 2: Етика
+    - 3: Определяне на данни
+    - 4: Преглед на вероятности и статистика
+- 2: Работа с данни
+    - 5: Релационни бази данни
+    - 6: Нерелационни бази данни
+    - 7: Python
+    - 8: Подготовка на данни
+- 3: Визуализация на данни
+    - 9: Визуализация на количества
+    - 10: Визуализация на разпределения
+    - 11: Визуализация на пропорции
+    - 12: Визуализация на взаимоотношения
+    - 13: Смислени визуализации
+- 4: Жизнен цикъл на науката за данни
+    - 14: Въведение
+    - 15: Анализиране
+    - 16: Комуникация
+- 5: Наука за данни в облака
+    - 17: Въведение
+    - 18: Опции с малко код
+    - 19: Azure
+- 6: Наука за данни в реалния свят
+    - 20: Преглед
+
+## Моля, споделете вашите мисли!
+
+Искаме да направим тази учебна програма полезна за вас и вашите ученици. Моля, дайте ни обратна връзка в дискусионните форуми! Чувствайте се свободни да създадете зона за класната стая в дискусионните форуми за вашите ученици.
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/quiz-app/README.md b/translations/bg/quiz-app/README.md
new file mode 100644
index 00000000..b05b01cd
--- /dev/null
+++ b/translations/bg/quiz-app/README.md
@@ -0,0 +1,138 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:20:17+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "bg"
+}
+-->
+# Тестове
+
+Тези тестове са предварителни и заключителни тестове за учебната програма по наука за данни на https://aka.ms/datascience-beginners
+
+## Добавяне на преведен набор от тестове
+
+Добавете превод на тестовете, като създадете съответстващи структури на тестовете в папките `assets/translations`. Оригиналните тестове са в `assets/translations/en`. Тестовете са разделени на няколко групи. Уверете се, че номерацията съответства на правилния раздел на тестовете. В тази учебна програма има общо 40 теста, като броенето започва от 0.
+
+След като редактирате преводите, редактирайте файла `index.js` в папката за преводи, за да импортирате всички файлове, следвайки конвенциите в `en`.
+
+Редактирайте файла `index.js` в `assets/translations`, за да импортирате новите преведени файлове.
+
+След това редактирайте падащото меню в `App.vue` в това приложение, за да добавите вашия език. Съответствайте локализираното съкращение на името на папката за вашия език.
+
+Накрая редактирайте всички връзки към тестовете в преведените уроци, ако съществуват, за да включите тази локализация като параметър на заявката: например `?loc=fr`.
+
+## Настройка на проекта
+
+```
+npm install
+```
+
+### Компилиране и автоматично презареждане за разработка
+
+```
+npm run serve
+```
+
+### Компилиране и минимизиране за продукция
+
+```
+npm run build
+```
+
+### Проверка и корекция на файлове
+
+```
+npm run lint
+```
+
+### Персонализиране на конфигурацията
+
+Вижте [Configuration Reference](https://cli.vuejs.org/config/).
+
+Кредити: Благодарности към оригиналната версия на това приложение за тестове: https://github.com/arpan45/simple-quiz-vue
+
+## Деплойване в Azure
+
+Ето стъпка по стъпка ръководство, което ще ви помогне да започнете:
+
+1. Клонирайте GitHub хранилище
+Уверете се, че кодът на вашето статично уеб приложение е във вашето GitHub хранилище. Клонирайте това хранилище.
+
+2. Създайте статично уеб приложение в Azure
+- Създайте [Azure акаунт](http://azure.microsoft.com)
+- Отидете на [Azure портал](https://portal.azure.com)
+- Кликнете върху „Create a resource“ и потърсете „Static Web App“.
+- Кликнете върху „Create“.
+
+3. Конфигурирайте статичното уеб приложение
+- Основни настройки: Абонамент: Изберете вашия Azure абонамент.
+- Група ресурси: Създайте нова група ресурси или използвайте съществуваща.
+- Име: Дайте име на вашето статично уеб приложение.
+- Регион: Изберете региона, който е най-близо до вашите потребители.
+
+- #### Детайли за деплойване:
+- Източник: Изберете „GitHub“.
+- GitHub акаунт: Авторизирайте Azure да има достъп до вашия GitHub акаунт.
+- Организация: Изберете вашата GitHub организация.
+- Хранилище: Изберете хранилището, което съдържа вашето статично уеб приложение.
+- Клон: Изберете клона, от който искате да деплойвате.
+
+- #### Детайли за билд:
+- Предварителни настройки за билд: Изберете фреймуърка, с който е създадено вашето приложение (например React, Angular, Vue и др.).
+- Местоположение на приложението: Укажете папката, която съдържа кода на вашето приложение (например / ако е в корена).
+- Местоположение на API: Ако имате API, укажете неговото местоположение (по избор).
+- Местоположение на изхода: Укажете папката, където се генерира изходът от билда (например build или dist).
+
+4. Преглед и създаване
+Прегледайте настройките си и кликнете върху „Create“. Azure ще създаде необходимите ресурси и ще създаде GitHub Actions workflow във вашето хранилище.
+
+5. GitHub Actions Workflow
+Azure автоматично ще създаде GitHub Actions workflow файл във вашето хранилище (.github/workflows/azure-static-web-apps-<name>.yml). Този workflow ще се грижи за процеса на билд и деплойване.
+
+6. Мониторинг на деплойването
+Отидете на таба „Actions“ във вашето GitHub хранилище.
+Трябва да видите workflow, който се изпълнява. Този workflow ще билдне и деплойне вашето статично уеб приложение в Azure.
+След като workflow приключи, вашето приложение ще бъде достъпно на предоставения Azure URL.
+
+### Примерен файл за workflow
+
+Ето пример за това как може да изглежда GitHub Actions workflow файлът:
+name: Azure Static Web Apps CI/CD
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Допълнителни ресурси
+- [Документация за Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started)
+- [Документация за GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/bg/sketchnotes/README.md b/translations/bg/sketchnotes/README.md
new file mode 100644
index 00000000..8320f09c
--- /dev/null
+++ b/translations/bg/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:47+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "bg"
+}
+-->
+Намерете всички скицноти тук!
+
+## Кредити
+
+Нитя Нарасимхан, художник
+
+![скицнота на пътна карта](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.bg.png)
+
+---
+
+**Отказ от отговорност**:  
+Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/01-defining-data-science/README.md b/translations/cs/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..495affce
--- /dev/null
+++ b/translations/cs/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,80 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:20:25+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "cs"
+}
+-->
+## Typy dat
+
+Jak jsme již zmínili, data jsou všude kolem nás. Stačí je jen správně zachytit! Je užitečné rozlišovat mezi **strukturovanými** a **nestrukturovanými** daty. Strukturovaná data jsou obvykle reprezentována v nějaké dobře organizované formě, často jako tabulka nebo více tabulek, zatímco nestrukturovaná data jsou jen sbírkou souborů. Někdy také mluvíme o **polostrukturovaných** datech, která mají určitý druh struktury, jež se však může značně lišit.
+
+| Strukturovaná                                                              | Polostrukturovaná                                                                                 | Nestrukturovaná                        |
+| ---------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------- | --------------------------------------- |
+| Seznam lidí s jejich telefonními čísly                                      | Stránky Wikipedie s odkazy                                                                         | Text Encyklopedie Britannica           |
+| Teplota ve všech místnostech budovy každou minutu za posledních 20 let      | Sbírka vědeckých článků ve formátu JSON s autory, datem publikace a abstraktem                     | Sdílené soubory s firemními dokumenty  |
+| Data o věku a pohlaví všech lidí vstupujících do budovy                     | Internetové stránky                                                                               | Surový videozáznam z bezpečnostní kamery |
+
+## Kde získat data
+
+Existuje mnoho možných zdrojů dat, a je nemožné je všechny vyjmenovat! Nicméně zmíníme některé typické zdroje, odkud můžete data získat:
+
+* **Strukturovaná**
+  - **Internet věcí** (IoT), včetně dat z různých senzorů, jako jsou teplotní nebo tlakové senzory, poskytuje mnoho užitečných dat. Například pokud je kancelářská budova vybavena IoT senzory, můžeme automaticky řídit vytápění a osvětlení, abychom minimalizovali náklady.
+  - **Průzkumy**, které žádáme uživatele vyplnit po nákupu nebo po návštěvě webové stránky.
+  - **Analýza chování** může například pomoci pochopit, jak hluboko uživatel prochází webovou stránku a jaký je typický důvod jejího opuštění.
+* **Nestrukturovaná**
+  - **Texty** mohou být bohatým zdrojem poznatků, například celkového **skóre sentimentu** nebo extrakce klíčových slov a sémantického významu.
+  - **Obrázky** nebo **videa**. Video z bezpečnostní kamery může být použito k odhadu dopravní situace na silnici a k informování lidí o možných dopravních zácpách.
+  - **Logy** webových serverů mohou být použity k pochopení, které stránky našeho webu jsou nejčastěji navštěvovány a jak dlouho.
+* **Polostrukturovaná**
+  - **Grafy sociálních sítí** mohou být skvělým zdrojem dat o osobnostech uživatelů a jejich potenciální efektivitě při šíření informací.
+  - Pokud máme sbírku fotografií z večírku, můžeme se pokusit extrahovat data o **skupinové dynamice** vytvořením grafu lidí, kteří se fotili spolu.
+
+Znalost různých možných zdrojů dat vám umožní přemýšlet o různých scénářích, kde lze aplikovat techniky datové vědy k lepšímu pochopení situace a ke zlepšení obchodních procesů.
+
+## Co můžete dělat s daty
+
+V datové vědě se zaměřujeme na následující kroky v práci s daty:
+
+Samozřejmě, v závislosti na konkrétních datech mohou některé kroky chybět (např. když už máme data v databázi nebo když nepotřebujeme trénovat model), nebo se některé kroky mohou opakovat několikrát (například zpracování dat).
+
+## Digitalizace a digitální transformace
+
+V posledním desetiletí si mnoho podniků začalo uvědomovat důležitost dat při rozhodování. Aby bylo možné aplikovat principy datové vědy na řízení podniku, je nejprve nutné shromáždit nějaká data, tj. převést obchodní procesy do digitální podoby. To se nazývá **digitalizace**. Použití technik datové vědy na tato data k usnadnění rozhodování může vést k výraznému zvýšení produktivity (nebo dokonce k zásadní změně podnikání), což se nazývá **digitální transformace**.
+
+Podívejme se na příklad. Představme si, že máme kurz datové vědy (jako je tento), který poskytujeme online studentům, a chceme jej pomocí datové vědy zlepšit. Jak to můžeme udělat?
+
+Můžeme začít otázkou „Co lze digitalizovat?“ Nejjednodušší způsob by byl měřit čas, který každý student potřebuje k dokončení každého modulu, a měřit získané znalosti pomocí testu s výběrem odpovědí na konci každého modulu. Průměrováním času potřebného k dokončení u všech studentů můžeme zjistit, které moduly studentům způsobují největší potíže, a pracovat na jejich zjednodušení.
+Můžete namítnout, že tento přístup není ideální, protože moduly mohou mít různou délku. Pravděpodobně by bylo spravedlivější rozdělit čas podle délky modulu (v počtu znaků) a porovnat tyto hodnoty místo toho.
+Když začneme analyzovat výsledky testů s výběrem odpovědí, můžeme se pokusit zjistit, které koncepty studentům dělají potíže, a využít tyto informace k vylepšení obsahu. Abychom toho dosáhli, musíme navrhnout testy tak, aby každá otázka odpovídala určitému konceptu nebo části znalostí.
+
+Pokud chceme být ještě složitější, můžeme vykreslit čas potřebný na každý modul proti věkové kategorii studentů. Můžeme zjistit, že pro některé věkové kategorie trvá nepřiměřeně dlouho dokončit modul, nebo že studenti odpadnou před jeho dokončením. To nám může pomoci poskytnout věková doporučení pro modul a minimalizovat nespokojenost lidí z nesprávných očekávání.
+
+## 🚀 Výzva
+
+V této výzvě se pokusíme najít koncepty relevantní pro oblast Data Science tím, že se podíváme na texty. Vezmeme článek z Wikipedie o Data Science, stáhneme a zpracujeme text a poté vytvoříme slovní mrak, jako je tento:
+
+![Slovní mrak pro Data Science](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.cs.png)
+
+Navštivte [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), abyste si prošli kód. Můžete také spustit kód a vidět, jak provádí všechny transformace dat v reálném čase.
+
+> Pokud nevíte, jak spustit kód v Jupyter Notebooku, podívejte se na [tento článek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Úkoly
+
+* **Úkol 1**: Upravte výše uvedený kód, abyste zjistili související koncepty pro oblasti **Big Data** a **Machine Learning**
+* **Úkol 2**: [Přemýšlejte o scénářích Data Science](assignment.md)
+
+## Poděkování
+
+Tuto lekci vytvořil s ♥️ [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/01-defining-data-science/assignment.md b/translations/cs/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..80c7e11c
--- /dev/null
+++ b/translations/cs/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:24:45+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Zadání: Scénáře datové vědy
+
+V tomto prvním úkolu vás žádáme, abyste přemýšleli o nějakém reálném procesu nebo problému v různých oblastech a o tom, jak jej můžete zlepšit pomocí procesu datové vědy. Zamyslete se nad následujícím:
+
+1. Jaká data můžete sbírat?
+1. Jak byste je sbírali?
+1. Jak byste data ukládali? Jak velká data pravděpodobně budou?
+1. Jaké poznatky byste mohli z těchto dat získat? Jaká rozhodnutí bychom mohli na základě těchto dat učinit?
+
+Zkuste přemýšlet o 3 různých problémech/procesech a popsat každý z výše uvedených bodů pro každou oblast.
+
+Zde jsou některé oblasti a problémy, které vám mohou pomoci začít přemýšlet:
+
+1. Jak můžete využít data ke zlepšení vzdělávacího procesu pro děti ve školách?
+1. Jak můžete využít data ke kontrole očkování během pandemie?
+1. Jak můžete využít data k zajištění produktivity v práci?
+
+## Pokyny
+
+Vyplňte následující tabulku (pokud je potřeba, nahraďte navrhované oblasti vlastními):
+
+| Oblast | Problém | Jaká data sbírat | Jak data ukládat | Jaké poznatky/rozhodnutí můžeme učinit | 
+|--------|---------|------------------|------------------|----------------------------------------|
+| Vzdělávání | | | | |
+| Očkování | | | | |
+| Produktivita | | | | |
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | -- |
+Byly identifikovány rozumné zdroje dat, způsoby ukládání dat a možné rozhodnutí/poznatky pro všechny oblasti | Některé aspekty řešení nejsou podrobně popsány, ukládání dat není diskutováno, alespoň 2 oblasti jsou popsány | Popsány jsou pouze části řešení dat, zvažována je pouze jedna oblast.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/cs/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..1981b5a2
--- /dev/null
+++ b/translations/cs/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:26:20+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Zadání: Scénáře datové vědy
+
+V tomto prvním úkolu vás žádáme, abyste přemýšleli o nějakém reálném procesu nebo problému v různých oblastech a o tom, jak jej můžete zlepšit pomocí procesu datové vědy. Zamyslete se nad následujícím:
+
+1. Jaká data můžete sbírat?
+1. Jak byste je sbírali?
+1. Jak byste data ukládali? Jak velká data pravděpodobně budou?
+1. Jaké poznatky byste mohli z těchto dat získat? Jaká rozhodnutí bychom mohli na základě dat učinit?
+
+Zkuste přemýšlet o 3 různých problémech/procesech a popsat každý z výše uvedených bodů pro každou oblast.
+
+Zde jsou některé oblasti a problémy, které vám mohou pomoci začít přemýšlet:
+
+1. Jak můžete využít data ke zlepšení vzdělávacího procesu pro děti ve školách?
+1. Jak můžete využít data ke kontrole očkování během pandemie?
+1. Jak můžete využít data k zajištění produktivity v práci?
+
+## Instrukce
+
+Vyplňte následující tabulku (pokud je potřeba, nahraďte navržené oblasti vlastními):
+
+| Oblast | Problém | Jaká data sbírat | Jak data ukládat | Jaké poznatky/rozhodnutí můžeme učinit | 
+|--------|---------|------------------|------------------|----------------------------------------|
+| Vzdělávání | Na univerzitě máme obvykle nízkou účast na přednáškách a máme hypotézu, že studenti, kteří se účastní přednášek, mají v průměru lepší výsledky u zkoušek. Chceme podpořit účast a otestovat hypotézu. | Můžeme sledovat účast prostřednictvím fotografií pořízených bezpečnostní kamerou ve třídě nebo sledováním bluetooth/wifi adres mobilních telefonů studentů ve třídě. Data o zkouškách jsou již dostupná v databázi univerzity. | Pokud sledujeme fotografie z bezpečnostních kamer, musíme uložit několik (5-10) fotografií během přednášky (nestrukturovaná data) a poté použít AI k identifikaci obličejů studentů (převést data na strukturovanou formu). | Můžeme vypočítat průměrná data o účasti pro každého studenta a zjistit, zda existuje nějaká korelace s výsledky zkoušek. O korelaci budeme více mluvit v sekci [pravděpodobnost a statistika](../../04-stats-and-probability/README.md). Abychom podpořili účast studentů, můžeme zveřejnit týdenní hodnocení účasti na školním portálu a losovat ceny mezi těmi s nejvyšší účastí. |
+| Očkování | | | | |
+| Produktivita | | | | |
+
+> *Poskytujeme pouze jednu odpověď jako příklad, abyste získali představu o tom, co se od vás v tomto úkolu očekává.*
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Byly identifikovány rozumné zdroje dat, způsoby ukládání dat a možné rozhodnutí/poznatky pro všechny oblasti | Některé aspekty řešení nejsou podrobné, ukládání dat není diskutováno, alespoň 2 oblasti jsou popsány | Popsány jsou pouze části řešení dat, zvažována je pouze jedna oblast.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/02-ethics/README.md b/translations/cs/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..4fa848f2
--- /dev/null
+++ b/translations/cs/1-Introduction/02-ethics/README.md
@@ -0,0 +1,263 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:06:03+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "cs"
+}
+-->
+# Úvod do datové etiky
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Etika datové vědy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Všichni jsme datoví občané žijící v datovém světě.
+
+Tržní trendy naznačují, že do roku 2022 bude 1 z 3 velkých organizací nakupovat a prodávat svá data prostřednictvím online [tržišť a burz](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Jako **vývojáři aplikací** zjistíme, že je snazší a levnější integrovat poznatky založené na datech a automatizaci řízenou algoritmy do každodenních uživatelských zkušeností. Ale jak se AI stává všudypřítomnou, budeme také muset pochopit potenciální škody způsobené [zneužitím](https://www.youtube.com/watch?v=TQHs8SA1qpk) těchto algoritmů ve velkém měřítku.
+
+Trendy také ukazují, že do roku 2025 vytvoříme a spotřebujeme více než [180 zettabajtů](https://www.statista.com/statistics/871513/worldwide-data-created/) dat. Jako **datoví vědci** získáme bezprecedentní přístup k osobním údajům. To znamená, že můžeme vytvářet behaviorální profily uživatelů a ovlivňovat rozhodování způsoby, které vytvářejí [iluzi svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), přičemž potenciálně směřujeme uživatele k výsledkům, které preferujeme. To také vyvolává širší otázky týkající se ochrany soukromí a práv uživatelů.
+
+Datová etika je nyní _nezbytným ochranným opatřením_ pro datovou vědu a inženýrství, které nám pomáhá minimalizovat potenciální škody a neúmyslné důsledky našich akcí založených na datech. [Gartnerův Hype Cycle pro AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuje relevantní trendy v oblasti digitální etiky, odpovědné AI a správy AI jako klíčové faktory pro větší megatrendy kolem _demokratizace_ a _industrializace_ AI.
+
+![Gartnerův Hype Cycle pro AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+V této lekci prozkoumáme fascinující oblast datové etiky - od základních konceptů a výzev po případové studie a aplikované koncepty AI, jako je správa, které pomáhají vytvářet etickou kulturu v týmech a organizacích pracujících s daty a AI.
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Základní definice
+
+Začněme pochopením základní terminologie.
+
+Slovo "etika" pochází z [řeckého slova "ethikos"](https://en.wikipedia.org/wiki/Ethics) (a jeho kořene "ethos"), což znamená _charakter nebo morální povaha_.
+
+**Etika** se týká sdílených hodnot a morálních principů, které řídí naše chování ve společnosti. Etika není založena na zákonech, ale na široce přijímaných normách toho, co je "správné vs. špatné". Etické úvahy však mohou ovlivnit iniciativy v oblasti správy společností a vládní regulace, které vytvářejí větší pobídky k dodržování pravidel.
+
+**Datová etika** je [nová větev etiky](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), která "studuje a hodnotí morální problémy související s _daty, algoritmy a odpovídajícími praktikami_". Zde se **"data"** zaměřují na akce související s generováním, zaznamenáváním, kurátorstvím, zpracováním, šířením, sdílením a používáním, **"algoritmy"** se zaměřují na AI, agenty, strojové učení a roboty a **"praktiky"** se zaměřují na témata jako odpovědné inovace, programování, hacking a etické kodexy.
+
+**Aplikovaná etika** je [praktická aplikace morálních úvah](https://en.wikipedia.org/wiki/Applied_ethics). Jde o proces aktivního zkoumání etických otázek v kontextu _reálných akcí, produktů a procesů_ a přijímání nápravných opatření, aby tyto zůstaly v souladu s našimi definovanými etickými hodnotami.
+
+**Etická kultura** se týká [_operacionalizace_ aplikované etiky](https://hbr.org/2019/05/how-to-design-an-ethical-organization), aby bylo zajištěno, že naše etické principy a praktiky jsou přijímány konzistentním a škálovatelným způsobem napříč celou organizací. Úspěšné etické kultury definují etické principy na úrovni celé organizace, poskytují smysluplné pobídky k dodržování pravidel a posilují etické normy tím, že podporují a zesilují žádoucí chování na každé úrovni organizace.
+
+## Koncepty etiky
+
+V této sekci se budeme zabývat koncepty jako **sdílené hodnoty** (principy) a **etické výzvy** (problémy) v oblasti datové etiky - a prozkoumáme **případové studie**, které vám pomohou pochopit tyto koncepty v reálných kontextech.
+
+### 1. Etické principy
+
+Každá strategie datové etiky začíná definováním _etických principů_ - "sdílených hodnot", které popisují přijatelné chování a řídí souladné akce v našich datových a AI projektech. Tyto principy můžete definovat na individuální nebo týmové úrovni. Nicméně většina velkých organizací je stanovuje v rámci mise nebo rámce _etické AI_, který je definován na korporátní úrovni a důsledně prosazován napříč všemi týmy.
+
+**Příklad:** Prohlášení o misi [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) společnosti Microsoft zní: _"Jsme odhodláni k rozvoji AI řízené etickými principy, které staví lidi na první místo"_ - identifikující 6 etických principů v níže uvedeném rámci:
+
+![Responsible AI u Microsoftu](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Pojďme si tyto principy stručně prozkoumat. _Transparentnost_ a _odpovědnost_ jsou základní hodnoty, na kterých jsou postaveny ostatní principy - začněme tedy u nich:
+
+* [**Odpovědnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) činí praktiky _zodpovědnými_ za jejich datové a AI operace a za dodržování těchto etických principů.
+* [**Transparentnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zajišťuje, že akce založené na datech a AI jsou _srozumitelné_ (interpretovatelné) pro uživatele, vysvětlující co a proč za rozhodnutími stojí.
+* [**Spravedlnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) se zaměřuje na zajištění, že AI zachází _se všemi lidmi_ spravedlivě, řešící jakékoli systémové nebo implicitní socio-technické předsudky v datech a systémech.
+* [**Spolehlivost a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zajišťuje, že AI se chová _konzistentně_ s definovanými hodnotami, minimalizující potenciální škody nebo neúmyslné důsledky.
+* [**Soukromí a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) se týká pochopení původu dat a poskytování _ochrany soukromí a souvisejících práv_ uživatelům.
+* [**Inkluzivita**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) je o navrhování AI řešení s úmyslem, přizpůsobujících se tak, aby splňovala _širokou škálu lidských potřeb_ a schopností.
+
+> 🚨 Zamyslete se nad tím, jak by mohlo vypadat vaše prohlášení o misi datové etiky. Prozkoumejte rámce etické AI od jiných organizací - zde jsou příklady od [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) a [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Jaké sdílené hodnoty mají společné? Jak tyto principy souvisejí s AI produkty nebo průmyslem, ve kterém působí?
+
+### 2. Etické výzvy
+
+Jakmile máme definované etické principy, dalším krokem je vyhodnotit naše datové a AI akce, zda jsou v souladu s těmito sdílenými hodnotami. Zamyslete se nad svými akcemi ve dvou kategoriích: _sběr dat_ a _návrh algoritmů_.
+
+Při sběru dat budou akce pravděpodobně zahrnovat **osobní údaje** nebo osobně identifikovatelné informace (PII) pro identifikovatelné živé jednotlivce. To zahrnuje [různé položky neosobních dat](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), které _společně_ identifikují jednotlivce. Etické výzvy se mohou týkat _ochrany soukromí_, _vlastnictví dat_ a souvisejících témat, jako je _informovaný souhlas_ a _práva duševního vlastnictví_ uživatelů.
+
+Při návrhu algoritmů budou akce zahrnovat sběr a kurátorství **datových sad**, poté jejich použití k trénování a nasazení **datových modelů**, které předpovídají výsledky nebo automatizují rozhodování v reálných kontextech. Etické výzvy mohou vzniknout z _předsudků v datových sadách_, problémů s _kvalitou dat_, _nespravedlnosti_ a _zkreslení_ v algoritmech - včetně některých problémů, které jsou systémové povahy.
+
+V obou případech etické výzvy zdůrazňují oblasti, kde naše akce mohou narazit na konflikt s našimi sdílenými hodnotami. Abychom tyto obavy odhalili, zmírnili, minimalizovali nebo odstranili, musíme si klást morální otázky typu "ano/ne" týkající se našich akcí a podle potřeby přijmout nápravná opatření. Podívejme se na některé etické výzvy a morální otázky, které vyvolávají:
+
+#### 2.1 Vlastnictví dat
+
+Sběr dat často zahrnuje osobní údaje, které mohou identifikovat subjekty dat. [Vlastnictví dat](https://permission.io/blog/data-ownership) se týká _kontroly_ a [_práv uživatelů_](https://permission.io/blog/data-ownership) souvisejících s vytvářením, zpracováním a šířením dat.
+
+Morální otázky, které je třeba si položit:
+ * Kdo vlastní data? (uživatel nebo organizace)
+ * Jaká práva mají subjekty dat? (např. přístup, výmaz, přenositelnost)
+ * Jaká práva mají organizace? (např. oprava škodlivých uživatelských recenzí)
+
+#### 2.2 Informovaný souhlas
+
+[Informovaný souhlas](https://legaldictionary.net/informed-consent/) definuje akt, kdy uživatelé souhlasí s akcí (např. sběr dat) s _plným pochopením_ relevantních faktů, včetně účelu, potenciálních rizik a alternativ.
+
+Otázky k prozkoumání:
+ * Dal uživatel (subjekt dat) povolení ke sběru a použití dat?
+ * Rozuměl uživatel účelu, pro který byla data sbírána?
+ * Rozuměl uživatel potenciálním rizikům spojeným s jeho účastí?
+
+#### 2.3 Duševní vlastnictví
+
+[Duševní vlastnictví](https://en.wikipedia.org/wiki/Intellectual_property) se týká nehmotných výtvorů vzniklých z lidské iniciativy, které mohou mít _ekonomickou hodnotu_ pro jednotlivce nebo podniky.
+
+Otázky k prozkoumání:
+ * Měla shromážděná data ekonomickou hodnotu pro uživatele nebo podnik?
+ * Má zde **uživatel** duševní vlastnictví?
+ * Má zde **organizace** duševní vlastnictví?
+ * Pokud tato práva existují, jak je chráníme?
+
+#### 2.4 Ochrana soukromí
+
+[Ochrana soukromí](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) nebo informační soukromí se týká zachování soukromí uživatelů a ochrany jejich identity ve vztahu k osobně identifikovatelným informacím.
+
+Otázky k prozkoumání:
+ * Jsou data uživatelů (osobní) zabezpečena proti hackům a únikům?
+ * Jsou data uživatelů přístupná pouze oprávněným uživatelům a kontextům?
+ * Je anonymita uživatelů zachována při sdílení nebo šíření dat?
+ * Lze uživatele de-identifikovat z anonymizovaných datových sad?
+
+#### 2.5 Právo být zapomenut
+
+[Právo být zapomenut](https://en.wikipedia.org/wiki/Right_to_be_forgotten) nebo [právo na výmaz](https://www.gdpreu.org/right-to-be-forgotten/) poskytuje uživatelům dodatečnou ochranu osobních údajů. Konkrétně dává uživatelům právo požadovat smazání nebo odstranění osobních údajů z internetových vyhledávání a dalších míst, _za určitých okolností_ - což jim umožňuje nový začátek online bez toho, aby byly jejich minulé činy proti nim použity.
+
+Otázky k prozkoumání:
+ * Umožňuje systém subjektům dat požadovat výmaz?
+ * Měl by odvolání souhlasu uživatele automaticky spustit výmaz?
+ * Byla data shromážděna bez souhlasu nebo nezákonnými prostředky?
+ * Jsme v souladu s vládními předpisy pro ochranu dat?
+
+#### 2.6 Předsudky v datových sadách
+
+Předsudky v datových sadách nebo [předsudky při sběru dat](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) se týkají výběru _nereprezentativního_ podmnožiny dat pro vývoj algoritmů, což může vést k nespravedlivým výsledkům pro různé skupiny. Typy předsudků zahrnují výběrové nebo vzorkovací předsudky, předsudky dobrovolníků a předsudky nástrojů.
+
+Otázky k prozkoumání:
+ * Najali jsme reprezentativní soubor subjektů dat?
+ * Testovali jsme naši shromážděnou nebo kurátorovanou datovou sadu na různé předsudky?
+ * Můžeme zmírnit nebo odstranit jakékoli zjištěné předsudky?
+
+#### 2.7 Kvalita dat
+
+[Kvalita dat](https://lakefs.io/data-quality-testing/) se zaměřuje na platnost kurátorované datové sady použité k vývoji našich algoritmů, kontroluje, zda funkce a záznamy splňují požadavky na úroveň přesnosti a konzistence potřebné pro náš AI účel.
+
+Otázky k prozkoumání:
+ * Zachytili jsme platné _funkce_ pro náš případ použití?
+ * Byla data zachycena _kon
+[Algorithmická spravedlnost](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) zkoumá, zda návrh algoritmu systematicky nediskriminuje specifické podskupiny subjektů dat, což může vést k [potenciálním škodám](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) v _alokaci_ (kdy jsou zdroje odepřeny nebo zadrženy této skupině) a _kvalitě služeb_ (kdy AI není tak přesná pro některé podskupiny jako pro jiné).
+
+Otázky k zamyšlení:
+ * Hodnotili jsme přesnost modelu pro různé podskupiny a podmínky?
+ * Zkoumali jsme systém kvůli možným škodám (např. stereotypizaci)?
+ * Můžeme upravit data nebo znovu natrénovat modely, abychom zmírnili identifikované škody?
+
+Prozkoumejte zdroje, jako jsou [kontrolní seznamy spravedlnosti AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), abyste se dozvěděli více.
+
+#### 2.9 Zkreslení dat
+
+[Zkreslení dat](https://www.sciencedirect.com/topics/computer-science/misrepresentation) se týká otázky, zda komunikujeme poznatky z poctivě hlášených dat klamavým způsobem, abychom podpořili požadovaný narativ.
+
+Otázky k zamyšlení:
+ * Zveřejňujeme neúplná nebo nepřesná data?
+ * Vizualizujeme data způsobem, který vede k zavádějícím závěrům?
+ * Používáme selektivní statistické techniky k manipulaci s výsledky?
+ * Existují alternativní vysvětlení, která mohou nabídnout jiný závěr?
+
+#### 2.10 Svobodná volba
+[Iluze svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) nastává, když "architektury volby" systému používají algoritmy rozhodování k ovlivnění lidí, aby přijali preferovaný výsledek, zatímco jim zdánlivě dávají možnosti a kontrolu. Tyto [temné vzory](https://www.darkpatterns.org/) mohou způsobit sociální a ekonomické škody uživatelům. Protože rozhodnutí uživatelů ovlivňují profily chování, tyto akce mohou potenciálně řídit budoucí volby, které mohou zesílit nebo rozšířit dopad těchto škod.
+
+Otázky k zamyšlení:
+ * Rozuměl uživatel důsledkům svého rozhodnutí?
+ * Byl uživatel informován o (alternativních) možnostech a jejich výhodách a nevýhodách?
+ * Může uživatel později zvrátit automatizované nebo ovlivněné rozhodnutí?
+
+### 3. Případové studie
+
+Abychom uvedli tyto etické výzvy do kontextu reálného světa, je užitečné podívat se na případové studie, které zdůrazňují potenciální škody a důsledky pro jednotlivce a společnost, pokud jsou tyto etické problémy přehlíženy.
+
+Zde je několik příkladů:
+
+| Etická výzva | Případová studie | 
+|--- |--- |
+| **Informovaný souhlas** | 1972 - [Studie syfilis v Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroameričtí muži, kteří se studie zúčastnili, byli slibováni bezplatnou lékařskou péči, _ale byli podvedeni_ výzkumníky, kteří jim neřekli o jejich diagnóze ani o dostupnosti léčby. Mnoho subjektů zemřelo a jejich partneři nebo děti byli ovlivněni; studie trvala 40 let. | 
+| **Ochrana dat** |  2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) poskytla výzkumníkům _10M anonymizovaných hodnocení filmů od 50K zákazníků_, aby pomohla zlepšit doporučovací algoritmy. Výzkumníci však byli schopni propojit anonymizovaná data s osobně identifikovatelnými daty v _externích datových sadách_ (např. komentáře na IMDb) - efektivně "de-anonymizovali" některé předplatitele Netflixu.|
+| **Sběr dat s předsudky**  | 2013 - Město Boston [vyvinulo Street Bump](https://www.boston.gov/transportation/street-bump), aplikaci, která umožnila občanům hlásit výmoly, čímž město získalo lepší údaje o silnicích pro identifikaci a opravu problémů. Nicméně [lidé z nižších příjmových skupin měli menší přístup k autům a telefonům](https://hbr.org/2013/04/the-hidden-biases-in-big-data), což činilo jejich problémy na silnicích neviditelnými v této aplikaci. Vývojáři spolupracovali s akademiky na _problémech spravedlivého přístupu a digitálních rozdílů_. |
+| **Algoritmická spravedlnost**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) hodnotila přesnost AI produktů pro klasifikaci pohlaví, odhalila mezery v přesnosti pro ženy a osoby jiné barvy pleti. [Apple Card z roku 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) se zdála nabízet méně úvěru ženám než mužům. Oba případy ilustrují problémy algoritmické zaujatosti vedoucí k socio-ekonomickým škodám.|
+| **Zkreslení dat** | 2020 - [Ministerstvo zdravotnictví státu Georgia zveřejnilo grafy COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), které se zdály zavádět občany ohledně trendů potvrzených případů s nechronologickým uspořádáním na ose x. To ilustruje zkreslení prostřednictvím vizualizačních triků. |
+| **Iluze svobodné volby** | 2020 - Vzdělávací aplikace [ABCmouse zaplatila 10M USD za urovnání stížnosti FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kde rodiče byli uvězněni v placení za předplatné, které nemohli zrušit. To ilustruje temné vzory v architekturách volby, kde byli uživatelé ovlivněni k potenciálně škodlivým rozhodnutím. |
+| **Ochrana dat a práva uživatelů** | 2021 - Facebook [Únik dat](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) odhalil data 530M uživatelů, což vedlo k urovnání ve výši 5B USD s FTC. Nicméně odmítl informovat uživatele o úniku, čímž porušil práva uživatelů na transparentnost a přístup k datům. |
+
+Chcete prozkoumat více případových studií? Podívejte se na tyto zdroje:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etické dilemata napříč různými odvětvími. 
+* [Kurz etiky datové vědy](https://www.coursera.org/learn/data-science-ethics#syllabus) - přehled klíčových případových studií.
+* [Kde se věci pokazily](https://deon.drivendata.org/examples/) - kontrolní seznam Deon s příklady.
+
+> 🚨 Zamyslete se nad případovými studiemi, které jste viděli - zažili jste nebo byli ovlivněni podobnou etickou výzvou ve svém životě? Dokážete si vzpomenout na alespoň jednu další případovou studii, která ilustruje jednu z etických výzev, o kterých jsme diskutovali v této sekci?
+
+## Aplikovaná etika
+
+Diskutovali jsme o etických konceptech, výzvách a případových studiích v kontextu reálného světa. Ale jak začít _aplikovat_ etické principy a praktiky ve svých projektech? A jak _zavést_ tyto praktiky pro lepší řízení? Pojďme prozkoumat některá řešení z praxe:
+
+### 1. Profesní kodexy
+
+Profesní kodexy nabízejí jednu možnost, jak organizace mohou "motivovat" členy k podpoře jejich etických principů a poslání. Kodexy jsou _morálními pokyny_ pro profesionální chování, které pomáhají zaměstnancům nebo členům činit rozhodnutí v souladu s principy jejich organizace. Jsou však účinné pouze tehdy, pokud členové dobrovolně dodržují; mnoho organizací však nabízí další odměny a sankce, aby motivovaly členy k dodržování.
+
+Příklady zahrnují:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Etický kodex
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kodex chování (vytvořen 2013)
+ * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (od roku 1993)
+
+> 🚨 Jste členem profesní organizace pro inženýry nebo datové vědce? Prozkoumejte jejich web, zda definují profesní kodex etiky. Co říká o jejich etických principech? Jak motivují členy k dodržování kodexu?
+
+### 2. Etické kontrolní seznamy
+
+Zatímco profesní kodexy definují požadované _etické chování_ od praktikujících, mají [známé limity](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) v prosazování, zejména u rozsáhlých projektů. Místo toho mnoho odborníků na datovou vědu [doporučuje kontrolní seznamy](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), které mohou **propojit principy s praxí** deterministickým a akceschopným způsobem.
+
+Kontrolní seznamy převádějí otázky na úkoly "ano/ne", které lze zavést do standardních pracovních postupů při vydávání produktů.
+
+Příklady zahrnují:
+ * [Deon](https://deon.drivendata.org/) - obecný kontrolní seznam etiky dat vytvořený na základě [doporučení z průmyslu](https://deon.drivendata.org/#checklist-citations) s nástrojem příkazového řádku pro snadnou integraci.
+ * [Kontrolní seznam auditu ochrany soukromí](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - poskytuje obecné pokyny pro nakládání s informacemi z právního a sociálního hlediska.
+ * [Kontrolní seznam spravedlnosti AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - vytvořený odborníky na AI na podporu zavádění a integrace kontrol spravedlnosti do vývojových cyklů AI.
+ * [22 otázek pro etiku v datech a AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otevřenější rámec, strukturovaný pro počáteční zkoumání etických problémů v návrhu, implementaci a organizačních kontextech.
+
+### 3. Etické regulace
+
+Etika se týká definování sdílených hodnot a dobrovolného dělání správných věcí. **Soulad** se týká _dodržování zákona_, pokud je definován. **Řízení** obecně pokrývá všechny způsoby, jakými organizace fungují, aby prosazovaly etické principy a dodržovaly stanovené zákony.
+
+Dnes řízení probíhá ve dvou formách v rámci organizací. Za prvé, jde o definování **etických principů AI** a zavádění praktik pro jejich přijetí napříč všemi projekty souvisejícími s AI v organizaci. Za druhé, jde o dodržování všech vládou nařízených **regulací ochrany dat** pro regiony, ve kterých organizace působí.
+
+Příklady regulací ochrany dat a soukromí:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - reguluje _federální vládní_ sběr, použití a zveřejňování osobních informací.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - chrání osobní zdravotní údaje.
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - chrání soukromí dat dětí mladších 13 let.
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - poskytuje práva uživatelů, ochranu dat a soukromí.
+ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) dává spotřebitelům více _práv_ nad jejich (osobními) daty.
+ * `2021`, Čína [Zákon o ochraně osobních údajů](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) právě schválila, čímž vytvořila jednu z nejsilnějších regulací online ochrany soukromí na světě.
+
+> 🚨 Evropská unie definovala GDPR (General Data Protection Regulation), který zůstává jednou z nejvlivnějších regulací ochrany dat dnes. Věděli jste, že také definuje [8 práv uživatelů](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) na ochranu digitálního soukromí a osobních dat občanů? Zjistěte, co to jsou a proč jsou důležitá.
+
+### 4. Etická kultura
+
+Je třeba poznamenat, že stále existuje nehmotná mezera mezi _souladem_ (děláním dostatečného pro splnění "litery zákona") a řešením [systémových problémů](https://www.coursera.org/learn/data-science-ethics/home/week/4) (jako je zkostnatělost, informační asymetrie a distribuční nespravedlnost), které mohou urychlit zneužití AI.
+
+To druhé vyžaduje [spolupráci na definování etických kultur](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), které budují emocionální spojení a konzistentní sdílené hodnoty _napříč organizacemi_ v průmyslu. To volá po více [formalizovaných kulturách etiky dat](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizacích - umožňující _komukoli_ [zatáhnout za Andon šňůru](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (aby včas upozornil na etické problémy) a učinit _etické hodnocení_ (např. při náboru) klíčovým kritériem pro formování týmů v projektech AI.
+
+---
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## Přehled & Samostudium 
+
+Kurzy a knihy pomáhají pochopit základní etické koncepty a výzvy, zatímco případové studie a nástroje pomáhají s aplikovanými etickými praktikami v reálných kontextech. Zde je několik zdrojů, kde začít.
+
+* [Strojové učení pro začátečníky](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekce o spravedlnosti od Microsoftu.
+* [Principy odpovědné AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - bezplatná vzdělávací cesta od Microsoft Learn.
+* [Etika a datová věda](https://resources.oreilly.com/examples/0636920203964) - EBook od O'Reilly (M. Loukides, H. Mason a kol.)
+* [Etika datové vědy](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurz od University of Michigan.
+* [Etika v praxi](https://ethicsunwrapped.utexas.edu/case-studies) - případové studie od University of Texas.
+
+# Zadání
+
+[Vypracujte případovou studii o etice dat](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/02-ethics/assignment.md b/translations/cs/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..3877d03a
--- /dev/null
+++ b/translations/cs/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:17:07+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "cs"
+}
+-->
+## Napište případovou studii o etice dat
+
+## Pokyny
+
+Naučili jste se o různých [výzvách etiky dat](README.md#2-ethics-challenges) a viděli jste příklady [případových studií](README.md#3-case-studies), které odrážejí výzvy etiky dat v reálných situacích.
+
+V tomto úkolu napíšete vlastní případovou studii, která odráží výzvu etiky dat z vaší vlastní zkušenosti nebo z relevantního reálného kontextu, který znáte. Postupujte podle těchto kroků:
+
+1. `Vyberte výzvu etiky dat`. Podívejte se na [příklady z lekce](README.md#2-ethics-challenges) nebo prozkoumejte online příklady, jako je [Deon Checklist](https://deon.drivendata.org/examples/), pro inspiraci.
+
+2. `Popište příklad z reálného světa`. Zamyslete se nad situací, o které jste slyšeli (zprávy, výzkumná studie atd.) nebo kterou jste zažili (místní komunita), kde se tato konkrétní výzva objevila. Zamyslete se nad otázkami etiky dat souvisejícími s touto výzvou – a diskutujte o možných škodách nebo nechtěných důsledcích, které z tohoto problému vyplývají. Bonusové body: zamyslete se nad možnými řešeními nebo procesy, které by zde mohly být použity k eliminaci nebo zmírnění nepříznivého dopadu této výzvy.
+
+3. `Poskytněte seznam souvisejících zdrojů`. Sdílejte jeden nebo více zdrojů (odkazy na článek, osobní blogový příspěvek nebo obrázek, online výzkumný dokument atd.), které dokazují, že se to skutečně stalo. Bonusové body: sdílejte zdroje, které také ukazují možné škody a důsledky incidentu nebo zdůrazňují pozitivní kroky podniknuté k zabránění jeho opakování.
+
+
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | -- |
+Je identifikována jedna nebo více výzev etiky dat. <br/> <br/> Případová studie jasně popisuje incident z reálného světa, který tuto výzvu odráží, a zdůrazňuje nežádoucí důsledky nebo škody, které způsobil. <br/><br/> Existuje alespoň jeden odkaz na zdroj, který dokazuje, že se to stalo. | Je identifikována jedna výzva etiky dat. <br/><br/> Alespoň jeden relevantní škodlivý důsledek je stručně diskutován. <br/><br/> Diskuse je však omezená nebo postrádá důkaz o výskytu v reálném světě. | Je identifikována výzva etiky dat. <br/><br/> Popis nebo zdroje však dostatečně neodrážejí výzvu nebo nedokazují její výskyt v reálném světě. |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/03-defining-data/README.md b/translations/cs/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..7f554678
--- /dev/null
+++ b/translations/cs/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:28:47+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "cs"
+}
+-->
+# Definování dat
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Definování dat - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Data jsou fakta, informace, pozorování a měření, která se používají k objevování nových poznatků a k podpoře informovaného rozhodování. Datový bod je jednotka dat v rámci datové sady, což je sbírka datových bodů. Datové sady mohou mít různé formáty a struktury, obvykle podle svého zdroje, tedy odkud data pocházejí. Například měsíční příjmy společnosti mohou být ve formátu tabulky, zatímco hodinová data o srdečním tepu ze smartwatch mohou být ve formátu [JSON](https://stackoverflow.com/a/383699). Je běžné, že datoví vědci pracují s různými typy dat v rámci jedné datové sady.
+
+Tato lekce se zaměřuje na identifikaci a klasifikaci dat podle jejich charakteristik a zdrojů.
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## Jak jsou data popisována
+
+### Surová data
+Surová data jsou data, která pocházejí ze svého zdroje ve svém původním stavu a nebyla analyzována ani organizována. Aby bylo možné pochopit, co se děje s datovou sadou, je třeba ji uspořádat do formátu, který je srozumitelný pro lidi i technologie, které mohou být použity k její další analýze. Struktura datové sady popisuje, jak je organizována, a může být klasifikována jako strukturovaná, nestrukturovaná nebo polostrukturovaná. Tyto typy struktur se liší podle zdroje, ale nakonec spadají do těchto tří kategorií.
+
+### Kvantitativní data
+Kvantitativní data jsou číselná pozorování v rámci datové sady, která lze obvykle analyzovat, měřit a používat matematicky. Některé příklady kvantitativních dat jsou: počet obyvatel země, výška člověka nebo čtvrtletní příjmy společnosti. S další analýzou by kvantitativní data mohla být použita k objevení sezónních trendů indexu kvality ovzduší (AQI) nebo k odhadu pravděpodobnosti dopravní špičky během běžného pracovního dne.
+
+### Kvalitativní data
+Kvalitativní data, známá také jako kategorická data, jsou data, která nelze měřit objektivně jako kvantitativní pozorování. Obvykle se jedná o různé formáty subjektivních dat, která zachycují kvalitu něčeho, například produktu nebo procesu. Někdy jsou kvalitativní data číselná, ale obvykle se nepoužívají matematicky, například telefonní čísla nebo časové značky. Některé příklady kvalitativních dat jsou: komentáře k videím, značka a model auta nebo oblíbená barva vašich nejbližších přátel. Kvalitativní data by mohla být použita k pochopení, které produkty mají spotřebitelé nejraději, nebo k identifikaci populárních klíčových slov v životopisech uchazečů o zaměstnání.
+
+### Strukturovaná data
+Strukturovaná data jsou data organizovaná do řádků a sloupců, kde každý řádek má stejnou sadu sloupců. Sloupce představují hodnotu určitého typu a jsou identifikovány názvem, který popisuje, co hodnota představuje, zatímco řádky obsahují skutečné hodnoty. Sloupce často mají specifickou sadu pravidel nebo omezení pro hodnoty, aby bylo zajištěno, že hodnoty přesně reprezentují sloupec. Například si představte tabulku zákazníků, kde každý řádek musí obsahovat telefonní číslo a telefonní čísla nikdy neobsahují abecední znaky. Mohou být aplikována pravidla na sloupec telefonního čísla, aby bylo zajištěno, že nikdy nebude prázdný a bude obsahovat pouze čísla.
+
+Výhodou strukturovaných dat je, že mohou být organizována tak, aby byla propojena s jinými strukturovanými daty. Nicméně, protože data jsou navržena tak, aby byla organizována specifickým způsobem, může být změna jejich celkové struktury velmi náročná. Například přidání sloupce e-mailu do tabulky zákazníků, který nemůže být prázdný, znamená, že budete muset zjistit, jak přidat tyto hodnoty do existujících řádků zákazníků v datové sadě.
+
+Příklady strukturovaných dat: tabulky, relační databáze, telefonní čísla, bankovní výpisy
+
+### Nestrukturovaná data
+Nestrukturovaná data obvykle nelze kategorizovat do řádků nebo sloupců a neobsahují formát ani sadu pravidel, která by se měla dodržovat. Protože nestrukturovaná data mají méně omezení na svou strukturu, je snazší přidávat nové informace ve srovnání se strukturovanou datovou sadou. Pokud senzor, který zachycuje data o barometrickém tlaku každé 2 minuty, obdrží aktualizaci, která mu nyní umožňuje měřit a zaznamenávat teplotu, nevyžaduje to změnu existujících dat, pokud jsou nestrukturovaná. Nicméně to může ztížit analýzu nebo zkoumání tohoto typu dat. Například vědec, který chce zjistit průměrnou teplotu za předchozí měsíc z dat senzoru, ale zjistí, že senzor zaznamenal "e" v některých svých záznamech, aby označil, že byl rozbitý, místo typického čísla, což znamená, že data jsou neúplná.
+
+Příklady nestrukturovaných dat: textové soubory, textové zprávy, video soubory
+
+### Polostrukturovaná data
+Polostrukturovaná data mají vlastnosti, které je činí kombinací strukturovaných a nestrukturovaných dat. Obvykle neodpovídají formátu řádků a sloupců, ale jsou organizována způsobem, který je považován za strukturovaný, a mohou dodržovat pevný formát nebo sadu pravidel. Struktura se liší podle zdrojů, od dobře definované hierarchie až po něco flexibilnějšího, co umožňuje snadnou integraci nových informací. Metadata jsou indikátory, které pomáhají rozhodnout, jak jsou data organizována a ukládána, a mají různé názvy podle typu dat. Některé běžné názvy pro metadata jsou značky, prvky, entity a atributy. Například typická e-mailová zpráva bude mít předmět, tělo a sadu příjemců a může být organizována podle toho, kdo ji poslal nebo kdy byla odeslána.
+
+Příklady polostrukturovaných dat: HTML, soubory CSV, JavaScript Object Notation (JSON)
+
+## Zdroje dat
+
+Zdroj dat je počáteční místo, kde byla data vytvořena, nebo kde "žijí", a liší se podle toho, jak a kdy byla shromážděna. Data generovaná uživateli jsou známá jako primární data, zatímco sekundární data pocházejí ze zdroje, který shromáždil data pro obecné použití. Například skupina vědců, která sbírá pozorování v deštném pralese, by byla považována za primární zdroj, a pokud se rozhodnou sdílet tato data s jinými vědci, byla by považována za sekundární pro ty, kteří je používají.
+
+Databáze jsou běžným zdrojem a spoléhají na systém správy databází, který hostuje a udržuje data, kde uživatelé používají příkazy nazývané dotazy k prozkoumání dat. Soubory jako zdroje dat mohou být zvukové, obrazové a video soubory, stejně jako tabulky, například Excel. Internetové zdroje jsou běžným místem pro hostování dat, kde lze najít databáze i soubory. Rozhraní pro programování aplikací, známá také jako API, umožňují programátorům vytvářet způsoby sdílení dat s externími uživateli prostřednictvím internetu, zatímco proces webového scraping extrahuje data z webové stránky. [Lekce v Práce s daty](../../../../../../../../../2-Working-With-Data) se zaměřují na to, jak používat různé zdroje dat.
+
+## Závěr
+
+V této lekci jsme se naučili:
+
+- Co jsou data
+- Jak jsou data popisována
+- Jak jsou data klasifikována a kategorizována
+- Kde lze data najít
+
+## 🚀 Výzva
+
+Kaggle je vynikajícím zdrojem otevřených datových sad. Použijte [nástroj pro vyhledávání datových sad](https://www.kaggle.com/datasets) k nalezení zajímavých datových sad a klasifikujte 3-5 datových sad podle těchto kritérií:
+
+- Jsou data kvantitativní nebo kvalitativní?
+- Jsou data strukturovaná, nestrukturovaná nebo polostrukturovaná?
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Přehled a samostudium
+
+- Tato jednotka Microsoft Learn s názvem [Klasifikace vašich dat](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) obsahuje podrobný přehled strukturovaných, polostrukturovaných a nestrukturovaných dat.
+
+## Zadání
+
+[Klasifikace datových sad](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/03-defining-data/assignment.md b/translations/cs/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..ef5cb416
--- /dev/null
+++ b/translations/cs/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:31:23+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Klasifikace datových sad
+
+## Pokyny
+
+Postupujte podle pokynů v tomto zadání a identifikujte a klasifikujte data podle jednoho z následujících typů dat:
+
+**Typy struktury**: Strukturovaná, Polostrukturovaná nebo Nestrukturovaná
+
+**Typy hodnot**: Kvalitativní nebo Kvantitativní 
+
+**Typy zdrojů**: Primární nebo Sekundární
+
+1. Společnost byla akvírována a nyní má mateřskou společnost. Datoví vědci obdrželi tabulku s telefonními čísly zákazníků od mateřské společnosti.
+
+Typ struktury:
+
+Typ hodnot: 
+
+Typ zdroje: 
+
+---
+
+2. Chytré hodinky shromažďují data o srdečním tepu svého nositele a surová data jsou ve formátu JSON.
+
+Typ struktury:
+
+Typ hodnot: 
+
+Typ zdroje: 
+
+---
+
+3. Pracovní průzkum o morálce zaměstnanců, který je uložen v souboru CSV.
+
+Typ struktury:
+
+Typ hodnot: 
+
+Typ zdroje: 
+
+---
+
+4. Astrofyzici přistupují k databázi galaxií, která byla shromážděna vesmírnou sondou. Data obsahují počet planet v každé galaxii.
+
+Typ struktury:
+
+Typ hodnot: 
+
+Typ zdroje: 
+
+---
+
+5. Aplikace pro osobní finance používá API k propojení s finančními účty uživatele, aby vypočítala jeho čisté jmění. Uživatelé mohou vidět všechny své transakce ve formátu řádků a sloupců, který vypadá podobně jako tabulka.
+
+Typ struktury:
+
+Typ hodnot: 
+
+Typ zdroje: 
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Správně identifikuje všechny typy struktury, hodnot a zdrojů | Správně identifikuje 3 všechny typy struktury, hodnot a zdrojů | Správně identifikuje 2 nebo méně všechny typy struktury, hodnot a zdrojů |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/04-stats-and-probability/README.md b/translations/cs/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..6ec3637e
--- /dev/null
+++ b/translations/cs/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:35:37+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "cs"
+}
+-->
+# Stručný úvod do statistiky a pravděpodobnosti
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Statistika a pravděpodobnost - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Teorie statistiky a pravděpodobnosti jsou dvě úzce související oblasti matematiky, které mají velký význam pro datovou vědu. Je možné pracovat s daty bez hlubokých znalostí matematiky, ale je stále lepší znát alespoň základní koncepty. Zde vám představíme krátký úvod, který vám pomůže začít.
+
+[![Úvodní video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.cs.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Pravděpodobnost a náhodné proměnné
+
+**Pravděpodobnost** je číslo mezi 0 a 1, které vyjadřuje, jak pravděpodobné je, že nastane určitá **událost**. Je definována jako počet pozitivních výsledků (které vedou k události) dělený celkovým počtem výsledků, za předpokladu, že všechny výsledky jsou stejně pravděpodobné. Například při hodu kostkou je pravděpodobnost, že padne sudé číslo, 3/6 = 0,5.
+
+Když mluvíme o událostech, používáme **náhodné proměnné**. Například náhodná proměnná, která představuje číslo získané při hodu kostkou, by měla hodnoty od 1 do 6. Množina čísel od 1 do 6 se nazývá **prostor vzorků**. Můžeme mluvit o pravděpodobnosti, že náhodná proměnná nabude určité hodnoty, například P(X=3)=1/6.
+
+Náhodná proměnná v předchozím příkladu se nazývá **diskrétní**, protože má spočetný prostor vzorků, tj. existují oddělené hodnoty, které lze vyjmenovat. Existují případy, kdy prostor vzorků je rozsah reálných čísel nebo celá množina reálných čísel. Takové proměnné se nazývají **spojité**. Dobrým příkladem je čas, kdy přijede autobus.
+
+## Pravděpodobnostní rozdělení
+
+V případě diskrétních náhodných proměnných je snadné popsat pravděpodobnost každé události pomocí funkce P(X). Pro každou hodnotu *s* z prostoru vzorků *S* poskytne číslo od 0 do 1, takové, že součet všech hodnot P(X=s) pro všechny události bude 1.
+
+Nejznámější diskrétní rozdělení je **rovnoměrné rozdělení**, ve kterém je prostor vzorků tvořen N prvky, s rovnoměrnou pravděpodobností 1/N pro každý z nich.
+
+Popis pravděpodobnostního rozdělení spojité proměnné, jejíž hodnoty jsou čerpány z nějakého intervalu [a,b] nebo celé množiny reálných čísel ℝ, je složitější. Zvažte případ času příjezdu autobusu. Ve skutečnosti je pravděpodobnost, že autobus přijede přesně v určitém čase *t*, rovna 0!
+
+> Teď už víte, že události s nulovou pravděpodobností se dějí, a to velmi často! Minimálně pokaždé, když přijede autobus!
+
+Můžeme mluvit pouze o pravděpodobnosti, že proměnná spadne do určitého intervalu hodnot, např. P(t<sub>1</sub>≤X<t<sub>2</sub>). V tomto případě je pravděpodobnostní rozdělení popsáno pomocí **funkce hustoty pravděpodobnosti** p(x), takové, že
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.cs.png)
+
+Spojitý analog rovnoměrného rozdělení se nazývá **spojité rovnoměrné rozdělení**, které je definováno na konečném intervalu. Pravděpodobnost, že hodnota X spadne do intervalu délky l, je úměrná l a stoupá až k 1.
+
+Další důležité rozdělení je **normální rozdělení**, o kterém si povíme podrobněji níže.
+
+## Průměr, rozptyl a směrodatná odchylka
+
+Předpokládejme, že vezmeme sekvenci n vzorků náhodné proměnné X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Můžeme definovat **průměrnou** (nebo **aritmetickou průměrnou**) hodnotu sekvence tradičním způsobem jako (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. Jak zvětšujeme velikost vzorku (tj. bereme limit s n→∞), získáme průměr (také nazývaný **očekávání**) rozdělení. Očekávání budeme označovat jako **E**(x).
+
+> Lze ukázat, že pro jakékoli diskrétní rozdělení s hodnotami {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} a odpovídajícími pravděpodobnostmi p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, očekávání bude rovno E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Pro určení, jak daleko jsou hodnoty rozptýlené, můžeme vypočítat rozptyl σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, kde μ je průměr sekvence. Hodnota σ se nazývá **směrodatná odchylka** a σ<sup>2</sup> se nazývá **rozptyl**.
+
+## Mód, medián a kvartily
+
+Někdy průměr neodpovídá dostatečně "typické" hodnotě dat. Například když existuje několik extrémních hodnot, které jsou zcela mimo rozsah, mohou ovlivnit průměr. Dalším dobrým ukazatelem je **medián**, hodnota, taková že polovina datových bodů je nižší než ona a druhá polovina vyšší.
+
+Pro lepší pochopení rozdělení dat je užitečné mluvit o **kvartilech**:
+
+* První kvartil, nebo Q1, je hodnota, taková že 25 % dat je pod ní
+* Třetí kvartil, nebo Q3, je hodnota, taková že 75 % dat je pod ní
+
+Graficky můžeme vztah mezi mediánem a kvartily znázornit v diagramu nazývaném **box plot**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Zde také vypočítáme **mezikvartilové rozpětí** IQR=Q3-Q1 a tzv. **odlehlé hodnoty** - hodnoty, které leží mimo hranice [Q1-1.5*IQR,Q3+1.5*IQR].
+
+Pro konečné rozdělení, které obsahuje malý počet možných hodnot, je dobrá "typická" hodnota ta, která se objevuje nejčastěji, což se nazývá **mód**. Často se používá u kategoriálních dat, jako jsou barvy. Zvažte situaci, kdy máme dvě skupiny lidí - některé, které silně preferují červenou, a jiné, které preferují modrou. Pokud kódujeme barvy čísly, průměrná hodnota oblíbené barvy by byla někde ve spektru oranžovo-zelené, což neodpovídá skutečné preferenci ani jedné skupiny. Mód by však byl buď jedna z barev, nebo obě barvy, pokud je počet lidí hlasujících pro ně stejný (v tomto případě nazýváme vzorek **multimodální**).
+
+## Data z reálného světa
+
+Když analyzujeme data z reálného života, často nejsou náhodnými proměnnými v tom smyslu, že neprovádíme experimenty s neznámým výsledkem. Například zvažte tým baseballových hráčů a jejich tělesné údaje, jako je výška, váha a věk. Tyto hodnoty nejsou přesně náhodné, ale stále můžeme aplikovat stejné matematické koncepty. Například sekvenci váhy lidí můžeme považovat za sekvenci hodnot čerpaných z nějaké náhodné proměnné. Níže je sekvence váhy skutečných baseballových hráčů z [Major League Baseball](http://mlb.mlb.com/index.jsp), převzatá z [tohoto datasetu](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (pro vaše pohodlí je zobrazeno pouze prvních 20 hodnot):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Poznámka**: Pro příklad práce s tímto datasetem se podívejte na [doprovodný notebook](notebook.ipynb). V této lekci je také řada výzev, které můžete splnit přidáním kódu do tohoto notebooku. Pokud si nejste jisti, jak pracovat s daty, nebojte se - k práci s daty pomocí Pythonu se vrátíme později. Pokud nevíte, jak spustit kód v Jupyter Notebooku, podívejte se na [tento článek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Zde je box plot zobrazující průměr, medián a kvartily pro naše data:
+
+![Box plot váhy](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.cs.png)
+
+Protože naše data obsahují informace o různých hráčských **rolích**, můžeme také vytvořit box plot podle role - umožní nám získat představu o tom, jak se hodnoty parametrů liší mezi rolemi. Tentokrát budeme zvažovat výšku:
+
+![Box plot podle role](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.cs.png)
+
+Tento diagram naznačuje, že průměrná výška hráčů na první metě je vyšší než výška hráčů na druhé metě. Později v této lekci se naučíme, jak tuto hypotézu formálněji otestovat a jak ukázat, že naše data jsou statisticky významná.
+
+> Při práci s daty z reálného světa předpokládáme, že všechny datové body jsou vzorky čerpané z nějakého pravděpodobnostního rozdělení. Tento předpoklad nám umožňuje aplikovat techniky strojového učení a vytvářet funkční prediktivní modely.
+
+Abychom viděli, jaké je rozdělení našich dat, můžeme vytvořit graf nazývaný **histogram**. Osa X bude obsahovat počet různých intervalů váhy (tzv. **binů**) a vertikální osa bude ukazovat počet případů, kdy náš vzorek náhodné proměnné spadal do daného intervalu.
+
+![Histogram dat z reálného světa](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.cs.png)
+
+Z tohoto histogramu můžete vidět, že všechny hodnoty jsou soustředěny kolem určité průměrné váhy, a čím dále se od této váhy dostaneme, tím méně váhových hodnot se vyskytuje. Jinými slovy, je velmi nepravděpodobné, že váha baseballového hráče bude výrazně odlišná od průměrné váhy. Rozptyl váhy ukazuje míru, do jaké se váhy pravděpodobně liší od průměru.
+
+> Pokud vezmeme váhy jiných lidí, ne z baseballové ligy, rozdělení bude pravděpodobně jiné. Nicméně tvar rozdělení bude stejný, ale průměr a rozptyl se změní. Pokud tedy trénujeme náš model na baseballových hráčích, je pravděpodobné, že poskytne nesprávné výsledky, když bude aplikován na studenty univerzity, protože základní rozdělení je jiné.
+
+## Normální rozdělení
+
+Rozdělení váhy, které jsme viděli výše, je velmi typické a mnoho měření z reálného světa následuje stejný typ rozdělení, ale s různým průměrem a rozptylem. Toto rozdělení se nazývá **normální rozdělení** a hraje velmi důležitou roli ve statistice.
+
+Použití normálního rozdělení je správný způsob, jak generovat náhodné váhy potenciálních baseballových hráčů. Jakmile známe průměrnou váhu `mean` a směrodatnou odchylku `std`, můžeme vygenerovat 1000 vzorků váhy následujícím způsobem:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Pokud vykreslíme histogram vygenerovaných vzorků, uvidíme obrázek velmi podobný tomu, který je uveden výše. A pokud zvýšíme počet vzorků a počet binů, můžeme vytvořit obrázek normálního rozdělení, který se více blíží ideálu:
+
+![Normální rozdělení s mean=0 a std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.cs.png)
+
+*Normální rozdělení s mean=0 a std.dev=1*
+
+## Intervaly spolehlivosti
+
+Když mluvíme o váhách baseballových hráčů, předpokládáme, že existuje určitá **náhodná proměnná W**, která odpovídá ideálnímu pravděpodobnostnímu rozdělení váhy všech baseballových hráčů (tzv. **populace**). Naše sekvence váhy odpovídá podmnožině všech baseballových hráčů, kterou nazýváme **vzorek**. Zajímavou otázkou je, zda můžeme znát parametry rozdělení W, tj. průměr a rozptyl populace.
+
+Nejjednodušší odpovědí by bylo vypočítat průměr a rozptyl našeho vzorku. Může se však stát, že náš náhodný vzorek přesně neodráží celou populaci. Proto má smysl mluvit o **intervalu spolehlivosti**.
+> **Interval spolehlivosti** je odhad skutečného průměru populace na základě našeho vzorku, který je přesný s určitou pravděpodobností (nebo **úrovní spolehlivosti**).
+Předpokládejme, že máme vzorek X<sub>1</sub>, ..., X<sub>n</sub> z našeho rozdělení. Pokaždé, když odebereme vzorek z našeho rozdělení, skončíme s jinou střední hodnotou μ. Proto může být μ považováno za náhodnou proměnnou. **Interval spolehlivosti** s pravděpodobností p je dvojice hodnot (L<sub>p</sub>,R<sub>p</sub>), taková, že **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, tj. pravděpodobnost, že naměřená střední hodnota spadne do intervalu, se rovná p.
+
+Podrobný výpočet těchto intervalů spolehlivosti přesahuje rámec našeho krátkého úvodu. Další podrobnosti lze najít [na Wikipedii](https://en.wikipedia.org/wiki/Confidence_interval). Stručně řečeno, definujeme rozdělení vypočítané střední hodnoty vzorku vzhledem ke skutečné střední hodnotě populace, což se nazývá **studentovo rozdělení**.
+
+> **Zajímavý fakt**: Studentovo rozdělení je pojmenováno po matematikovi Williamu Sealy Gossetovi, který publikoval svůj článek pod pseudonymem "Student". Pracoval v pivovaru Guinness a podle jedné z verzí jeho zaměstnavatel nechtěl, aby veřejnost věděla, že používají statistické testy k určení kvality surovin.
+
+Pokud chceme odhadnout střední hodnotu μ naší populace s pravděpodobností p, musíme vzít *(1-p)/2-tý percentil* studentova rozdělení A, který lze buď získat z tabulek, nebo vypočítat pomocí vestavěných funkcí statistického softwaru (např. Python, R atd.). Poté by interval pro μ byl dán X±A*D/√n, kde X je získaná střední hodnota vzorku, D je směrodatná odchylka.
+
+> **Poznámka**: Vynecháváme také diskusi o důležitém konceptu [stupňů volnosti](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), který je důležitý ve vztahu ke studentovu rozdělení. Pro hlubší pochopení tohoto konceptu můžete nahlédnout do kompletnějších knih o statistice.
+
+Příklad výpočtu intervalu spolehlivosti pro hmotnosti a výšky je uveden v [doprovodných poznámkových blocích](notebook.ipynb).
+
+| p | Průměrná hmotnost |
+|-----|-----------------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+Všimněte si, že čím vyšší je pravděpodobnost spolehlivosti, tím širší je interval spolehlivosti.
+
+## Testování hypotéz
+
+V našem datasetu baseballových hráčů existují různé role hráčů, které lze shrnout níže (podívejte se na [doprovodný poznámkový blok](notebook.ipynb), abyste viděli, jak lze tuto tabulku vypočítat):
+
+| Role | Výška | Hmotnost | Počet |
+|------|-------|----------|-------|
+| Catcher | 72.723684 | 204.328947 | 76 |
+| Designated_Hitter | 74.222222 | 220.888889 | 18 |
+| First_Baseman | 74.000000 | 213.109091 | 55 |
+| Outfielder | 73.010309 | 199.113402 | 194 |
+| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
+| Second_Baseman | 71.362069 | 184.344828 | 58 |
+| Shortstop | 71.903846 | 182.923077 | 52 |
+| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
+| Third_Baseman | 73.044444 | 200.955556 | 45 |
+
+Můžeme si všimnout, že průměrná výška hráčů na první metě je vyšší než hráčů na druhé metě. Mohli bychom tedy dojít k závěru, že **hráči na první metě jsou vyšší než hráči na druhé metě**.
+
+> Toto tvrzení se nazývá **hypotéza**, protože nevíme, zda je tento fakt skutečně pravdivý.
+
+Nicméně není vždy zřejmé, zda můžeme tento závěr učinit. Z výše uvedené diskuse víme, že každá střední hodnota má přidružený interval spolehlivosti, a proto může být tento rozdíl pouze statistickou chybou. Potřebujeme formálnější způsob, jak testovat naši hypotézu.
+
+Vypočítejme intervaly spolehlivosti zvlášť pro výšky hráčů na první a druhé metě:
+
+| Spolehlivost | První meta | Druhá meta |
+|--------------|------------|------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+Vidíme, že za žádné spolehlivosti se intervaly nepřekrývají. To potvrzuje naši hypotézu, že hráči na první metě jsou vyšší než hráči na druhé metě.
+
+Formálněji řečeno, problém, který řešíme, je zjistit, zda **dvě pravděpodobnostní rozdělení jsou stejná**, nebo alespoň mají stejné parametry. V závislosti na rozdělení musíme použít různé testy. Pokud víme, že naše rozdělení jsou normální, můžeme použít **[Studentův t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+V Studentově t-testu vypočítáme tzv. **t-hodnotu**, která indikuje rozdíl mezi středními hodnotami, přičemž bere v úvahu rozptyl. Bylo prokázáno, že t-hodnota následuje **studentovo rozdělení**, což nám umožňuje získat prahovou hodnotu pro danou úroveň spolehlivosti **p** (to lze vypočítat nebo najít v numerických tabulkách). Poté porovnáme t-hodnotu s touto prahovou hodnotou, abychom hypotézu schválili nebo zamítli.
+
+V Pythonu můžeme použít balíček **SciPy**, který zahrnuje funkci `ttest_ind` (kromě mnoha dalších užitečných statistických funkcí!). Tato funkce pro nás vypočítá t-hodnotu a také provede zpětné vyhledání p-hodnoty spolehlivosti, takže můžeme jednoduše zkontrolovat spolehlivost a učinit závěr.
+
+Například naše porovnání výšek hráčů na první a druhé metě nám dává následující výsledky: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+V našem případě je p-hodnota velmi nízká, což znamená, že existují silné důkazy podporující, že hráči na první metě jsou vyšší.
+
+Existují také různé jiné typy hypotéz, které bychom mohli chtít testovat, například:
+* Dokázat, že daný vzorek odpovídá nějakému rozdělení. V našem případě jsme předpokládali, že výšky jsou normálně rozdělené, ale to vyžaduje formální statistické ověření.
+* Dokázat, že střední hodnota vzorku odpovídá nějaké předem definované hodnotě.
+* Porovnat střední hodnoty několika vzorků (např. jaký je rozdíl v úrovních štěstí mezi různými věkovými skupinami).
+
+## Zákon velkých čísel a centrální limitní věta
+
+Jedním z důvodů, proč je normální rozdělení tak důležité, je tzv. **centrální limitní věta**. Předpokládejme, že máme velký vzorek nezávislých hodnot N X<sub>1</sub>, ..., X<sub>N</sub>, odebraných z libovolného rozdělení se střední hodnotou μ a rozptylem σ<sup>2</sup>. Poté, pro dostatečně velké N (jinými slovy, když N→∞), bude střední hodnota Σ<sub>i</sub>X<sub>i</sub> normálně rozdělená, se střední hodnotou μ a rozptylem σ<sup>2</sup>/N.
+
+> Další způsob, jak interpretovat centrální limitní větu, je říci, že bez ohledu na rozdělení, když vypočítáte střední hodnotu součtu libovolných hodnot náhodné proměnné, skončíte s normálním rozdělením.
+
+Z centrální limitní věty také vyplývá, že když N→∞, pravděpodobnost, že střední hodnota vzorku bude rovna μ, se stává 1. To je známé jako **zákon velkých čísel**.
+
+## Kovariance a korelace
+
+Jednou z věcí, které Data Science dělá, je hledání vztahů mezi daty. Říkáme, že dvě sekvence **korelují**, když vykazují podobné chování ve stejnou dobu, tj. buď současně rostou/klesají, nebo jedna sekvence roste, když druhá klesá, a naopak. Jinými slovy, zdá se, že mezi dvěma sekvencemi existuje nějaký vztah.
+
+> Korelace nutně neznamená kauzální vztah mezi dvěma sekvencemi; někdy mohou obě proměnné záviset na nějaké externí příčině, nebo může být korelace čistě náhodná. Nicméně silná matematická korelace je dobrým indikátorem, že dvě proměnné jsou nějakým způsobem propojené.
+
+Matematicky hlavní koncept, který ukazuje vztah mezi dvěma náhodnými proměnnými, je **kovariance**, která se počítá takto: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Počítáme odchylku obou proměnných od jejich středních hodnot a poté součin těchto odchylek. Pokud se obě proměnné odchylují společně, součin bude vždy kladná hodnota, která se sečte na kladnou kovarianci. Pokud se obě proměnné odchylují nesynchronizovaně (tj. jedna klesá pod průměr, když druhá stoupá nad průměr), vždy dostaneme záporné hodnoty, které se sečtou na zápornou kovarianci. Pokud odchylky nejsou závislé, sečtou se přibližně na nulu.
+
+Absolutní hodnota kovariance nám neříká mnoho o tom, jak velká je korelace, protože závisí na velikosti skutečných hodnot. Abychom ji normalizovali, můžeme kovarianci vydělit směrodatnou odchylkou obou proměnných, čímž získáme **korelaci**. Dobré je, že korelace je vždy v rozmezí [-1,1], kde 1 označuje silnou kladnou korelaci mezi hodnotami, -1 - silnou zápornou korelaci a 0 - žádnou korelaci (proměnné jsou nezávislé).
+
+**Příklad**: Můžeme vypočítat korelaci mezi hmotnostmi a výškami baseballových hráčů z výše zmíněného datasetu:
+```python
+print(np.corrcoef(weights,heights))
+```
+Výsledkem získáme **korelační matici** jako tuto:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> Korelační matici C lze vypočítat pro libovolný počet vstupních sekvencí S<sub>1</sub>, ..., S<sub>n</sub>. Hodnota C<sub>ij</sub> je korelace mezi S<sub>i</sub> a S<sub>j</sub>, a diagonální prvky jsou vždy 1 (což je také vlastní korelace S<sub>i</sub>).
+
+V našem případě hodnota 0.53 naznačuje, že existuje určitá korelace mezi hmotností a výškou osoby. Můžeme také vytvořit scatter plot jedné hodnoty proti druhé, abychom viděli vztah vizuálně:
+
+![Vztah mezi hmotností a výškou](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.cs.png)
+
+> Další příklady korelace a kovariance lze najít v [doprovodném poznámkovém bloku](notebook.ipynb).
+
+## Závěr
+
+V této sekci jsme se naučili:
+
+* základní statistické vlastnosti dat, jako je průměr, rozptyl, modus a kvartily
+* různá rozdělení náhodných proměnných, včetně normálního rozdělení
+* jak najít korelaci mezi různými vlastnostmi
+* jak použít matematický a statistický aparát k ověření hypotéz
+* jak vypočítat intervaly spolehlivosti pro náhodnou proměnnou na základě vzorku dat
+
+I když to rozhodně není vyčerpávající seznam témat, která existují v oblasti pravděpodobnosti a statistiky, mělo by to být dostatečné pro dobrý začátek tohoto kurzu.
+
+## 🚀 Výzva
+
+Použijte ukázkový kód v poznámkovém bloku k testování dalších hypotéz:
+1. Hráči na první metě jsou starší než hráči na druhé metě.
+2. Hráči na první metě jsou vyšší než hráči na třetí metě.
+3. Shortstopové jsou vyšší než hráči na druhé metě.
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Přehled a samostudium
+
+Pravděpodobnost a statistika je tak široké téma, že si zaslouží vlastní kurz. Pokud máte zájem jít hlouběji do teorie, můžete pokračovat ve čtení některých z následujících knih:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) z New York University má skvělé poznámky z přednášek [Pravděpodobnost a statistika pro Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (dostupné online).
+1. [Peter a Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[ukázkový kód v R](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[ukázkový kód v R](https://github.com/PacktPublishing/Statistics-for-Data-Science)].
+
+## Zadání
+
+[Malá studie o diabetu](assignment.md)
+
+## Poděkování
+
+Tuto lekci vytvořil s ♥️ [Dmitry Soshnikov](http://soshnikov.com).
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/04-stats-and-probability/assignment.md b/translations/cs/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..4f190e16
--- /dev/null
+++ b/translations/cs/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:42:33+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Malá studie o cukrovce
+
+V tomto úkolu budeme pracovat s malým datovým souborem pacientů s cukrovkou, který je dostupný [zde](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | VĚK | POHLAVÍ | BMI | TK | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|---------|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## Pokyny
+
+* Otevřete [notebook s úkolem](assignment.ipynb) v prostředí jupyter notebooku
+* Dokončete všechny úkoly uvedené v notebooku, konkrétně:
+   * [ ] Vypočítejte průměrné hodnoty a rozptyl pro všechny hodnoty
+   * [ ] Vytvořte boxploty pro BMI, TK a Y v závislosti na pohlaví
+   * [ ] Jaké je rozložení proměnných Věk, Pohlaví, BMI a Y?
+   * [ ] Otestujte korelaci mezi různými proměnnými a progresí onemocnění (Y)
+   * [ ] Otestujte hypotézu, že míra progrese cukrovky se liší mezi muži a ženami
+   
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | -- |
+Všechny požadované úkoly jsou dokončeny, graficky znázorněny a vysvětleny | Většina úkolů je dokončena, chybí vysvětlení nebo závěry z grafů a/nebo získaných hodnot | Dokončeny jsou pouze základní úkoly, jako výpočet průměru/rozptylu a základní grafy, nejsou vyvozeny žádné závěry z dat
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/1-Introduction/README.md b/translations/cs/1-Introduction/README.md
new file mode 100644
index 00000000..ae4bea9b
--- /dev/null
+++ b/translations/cs/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T14:59:49+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "cs"
+}
+-->
+# Úvod do datové vědy
+
+![data v akci](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.cs.jpg)
+> Foto od <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephena Dawsona</a> na <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V těchto lekcích objevíte, jak je datová věda definována, a seznámíte se s etickými otázkami, které musí datový vědec zohlednit. Také se naučíte, jak jsou data definována, a získáte základní znalosti o statistice a pravděpodobnosti, což jsou klíčové akademické oblasti datové vědy.
+
+### Témata
+
+1. [Definování datové vědy](01-defining-data-science/README.md)
+2. [Etika datové vědy](02-ethics/README.md)
+3. [Definování dat](03-defining-data/README.md)
+4. [Úvod do statistiky a pravděpodobnosti](04-stats-and-probability/README.md)
+
+### Autoři
+
+Tyto lekce byly napsány s ❤️ [Nityou Narasimhan](https://twitter.com/nitya) a [Dmitrym Soshnikovem](https://twitter.com/shwars).
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/05-relational-databases/README.md b/translations/cs/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..6c4abdfe
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:29:38+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "cs"
+}
+-->
+# Práce s daty: Relační databáze
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Práce s daty: Relační databáze - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Je pravděpodobné, že jste v minulosti používali tabulkový procesor k ukládání informací. Měli jste sadu řádků a sloupců, kde řádky obsahovaly informace (nebo data) a sloupce popisovaly tyto informace (někdy nazývané metadata). Relační databáze je postavena na tomto základním principu sloupců a řádků v tabulkách, což vám umožňuje mít informace rozložené do více tabulek. To vám umožňuje pracovat s komplexnějšími daty, vyhnout se duplicitám a mít flexibilitu při zkoumání dat. Pojďme prozkoumat koncepty relační databáze.
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Vše začíná tabulkami
+
+Relační databáze má ve svém jádru tabulky. Stejně jako u tabulkového procesoru je tabulka kolekcí sloupců a řádků. Řádek obsahuje data nebo informace, se kterými chceme pracovat, například název města nebo množství srážek. Sloupce popisují data, která ukládají.
+
+Začněme naši exploraci vytvořením tabulky pro ukládání informací o městech. Můžeme začít jejich názvem a zemí. Mohli byste to uložit do tabulky takto:
+
+| Město    | Země          |
+| -------- | ------------- |
+| Tokio    | Japonsko      |
+| Atlanta  | Spojené státy |
+| Auckland | Nový Zéland   |
+
+Všimněte si, že názvy sloupců **město**, **země** a **populace** popisují ukládaná data a každý řádek obsahuje informace o jednom městě.
+
+## Nedostatky přístupu s jednou tabulkou
+
+Je pravděpodobné, že výše uvedená tabulka vám připadá poměrně známá. Začněme přidávat další data do naší rozvíjející se databáze - roční srážky (v milimetrech). Zaměříme se na roky 2018, 2019 a 2020. Pokud bychom je přidali pro Tokio, mohlo by to vypadat takto:
+
+| Město | Země    | Rok  | Množství |
+| ----- | ------- | ---- | -------- |
+| Tokio | Japonsko| 2020 | 1690     |
+| Tokio | Japonsko| 2019 | 1874     |
+| Tokio | Japonsko| 2018 | 1445     |
+
+Co si všimnete na naší tabulce? Možná si všimnete, že opakujeme název a zemi města znovu a znovu. To by mohlo zabrat poměrně dost úložného prostoru a je to většinou zbytečné. Koneckonců, Tokio má jen jeden název, který nás zajímá.
+
+Dobře, zkusme něco jiného. Přidáme nové sloupce pro každý rok:
+
+| Město    | Země          | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Tokio    | Japonsko      | 1445 | 1874 | 1690 |
+| Atlanta  | Spojené státy | 1779 | 1111 | 1683 |
+| Auckland | Nový Zéland   | 1386 | 942  | 1176 |
+
+I když se tím vyhneme duplicitě řádků, přidává to několik dalších výzev. Museli bychom upravit strukturu naší tabulky pokaždé, když přibude nový rok. Navíc, jak naše data rostou, mít roky jako sloupce by ztížilo jejich získávání a výpočty.
+
+Proto potřebujeme více tabulek a vztahy. Rozdělením našich dat se můžeme vyhnout duplicitě a mít větší flexibilitu při práci s daty.
+
+## Koncepty vztahů
+
+Vraťme se k našim datům a určeme, jak je chceme rozdělit. Víme, že chceme ukládat název a zemi našich měst, takže to bude pravděpodobně nejlépe fungovat v jedné tabulce.
+
+| Město    | Země          |
+| -------- | ------------- |
+| Tokio    | Japonsko      |
+| Atlanta  | Spojené státy |
+| Auckland | Nový Zéland   |
+
+Ale než vytvoříme další tabulku, musíme zjistit, jak odkazovat na každé město. Potřebujeme nějakou formu identifikátoru, ID nebo (v technických databázových termínech) primární klíč. Primární klíč je hodnota používaná k identifikaci jednoho konkrétního řádku v tabulce. I když by to mohlo být založeno na samotné hodnotě (například bychom mohli použít název města), mělo by to být téměř vždy číslo nebo jiný identifikátor. Nechceme, aby se ID někdy změnilo, protože by to narušilo vztah. Ve většině případů zjistíte, že primární klíč nebo ID bude automaticky generované číslo.
+
+> ✅ Primární klíč je často zkracován jako PK
+
+### města
+
+| city_id | Město    | Země          |
+| ------- | -------- | ------------- |
+| 1       | Tokio    | Japonsko      |
+| 2       | Atlanta  | Spojené státy |
+| 3       | Auckland | Nový Zéland   |
+
+> ✅ Všimněte si, že během této lekce používáme termíny "id" a "primární klíč" zaměnitelně. Tyto koncepty se vztahují na DataFrames, které budete zkoumat později. DataFrames nepoužívají terminologii "primární klíč", nicméně si všimnete, že se chovají velmi podobně.
+
+S vytvořenou tabulkou měst nyní uložíme srážky. Místo duplicity úplných informací o městě můžeme použít ID. Měli bychom také zajistit, aby nově vytvořená tabulka měla sloupec *id*, protože všechny tabulky by měly mít ID nebo primární klíč.
+
+### srážky
+
+| rainfall_id | city_id | Rok  | Množství |
+| ----------- | ------- | ---- | -------- |
+| 1           | 1       | 2018 | 1445     |
+| 2           | 1       | 2019 | 1874     |
+| 3           | 1       | 2020 | 1690     |
+| 4           | 2       | 2018 | 1779     |
+| 5           | 2       | 2019 | 1111     |
+| 6           | 2       | 2020 | 1683     |
+| 7           | 3       | 2018 | 1386     |
+| 8           | 3       | 2019 | 942      |
+| 9           | 3       | 2020 | 1176     |
+
+Všimněte si sloupce **city_id** uvnitř nově vytvořené tabulky **srážky**. Tento sloupec obsahuje hodnoty, které odkazují na ID v tabulce **města**. V technických relačních datových termínech se tomu říká **cizí klíč**; je to primární klíč z jiné tabulky. Můžete si to jednoduše představit jako odkaz nebo ukazatel. **city_id** 1 odkazuje na Tokio.
+
+> [!NOTE] Cizí klíč je často zkracován jako FK
+
+## Získávání dat
+
+S našimi daty rozdělenými do dvou tabulek se možná ptáte, jak je získat. Pokud používáme relační databázi, jako je MySQL, SQL Server nebo Oracle, můžeme použít jazyk nazvaný Structured Query Language nebo SQL. SQL (někdy vyslovováno jako "sequel") je standardní jazyk používaný k získávání a úpravě dat v relační databázi.
+
+Pro získání dat používáte příkaz `SELECT`. V jeho jádru **vyberete** sloupce, které chcete zobrazit **z** tabulky, ve které se nacházejí. Pokud byste chtěli zobrazit pouze názvy měst, mohli byste použít následující:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` je místo, kde uvádíte sloupce, a `FROM` je místo, kde uvádíte tabulky.
+
+> [NOTE] Syntaxe SQL je nezávislá na velikosti písmen, což znamená, že `select` a `SELECT` znamenají totéž. Nicméně, v závislosti na typu databáze, kterou používáte, mohou být sloupce a tabulky citlivé na velikost písmen. Proto je nejlepší praxí vždy zacházet se vším v programování, jako by to bylo citlivé na velikost písmen. Při psaní SQL dotazů je běžnou konvencí psát klíčová slova velkými písmeny.
+
+Výše uvedený dotaz zobrazí všechna města. Představme si, že bychom chtěli zobrazit pouze města na Novém Zélandu. Potřebujeme nějakou formu filtru. Klíčové slovo SQL pro toto je `WHERE`, nebo "kde něco platí".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Spojování dat
+
+Doposud jsme získávali data z jedné tabulky. Nyní chceme spojit data z tabulek **města** a **srážky**. To se provádí *spojením* těchto tabulek. Efektivně vytvoříte spojení mezi dvěma tabulkami a sladíte hodnoty ze sloupce z každé tabulky.
+
+V našem příkladu sladíme sloupec **city_id** v tabulce **srážky** se sloupcem **city_id** v tabulce **města**. Tím spojíme hodnotu srážek s příslušným městem. Typ spojení, které provedeme, se nazývá *vnitřní spojení*, což znamená, že pokud nějaké řádky neodpovídají ničemu z druhé tabulky, nebudou zobrazeny. V našem případě má každé město srážky, takže vše bude zobrazeno.
+
+Získáme srážky za rok 2019 pro všechna naše města.
+
+Uděláme to krok za krokem. Prvním krokem je spojení dat dohromady označením sloupců pro spojení - **city_id**, jak bylo uvedeno dříve.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Zvýraznili jsme dva sloupce, které chceme, a fakt, že chceme spojit tabulky podle **city_id**. Nyní můžeme přidat příkaz `WHERE`, abychom filtrovali pouze rok 2019.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Shrnutí
+
+Relační databáze jsou založeny na rozdělení informací mezi více tabulek, které jsou následně spojeny pro zobrazení a analýzu. To poskytuje vysokou míru flexibility pro provádění výpočtů a manipulaci s daty. Viděli jste základní koncepty relační databáze a jak provést spojení mezi dvěma tabulkami.
+
+## 🚀 Výzva
+
+Na internetu je k dispozici mnoho relačních databází. Můžete prozkoumat data pomocí dovedností, které jste se naučili výše.
+
+## Kvíz po přednášce
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Přehled a samostudium
+
+Na [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) je k dispozici několik zdrojů, které vám umožní pokračovat v průzkumu SQL a konceptů relačních databází.
+
+- [Popis konceptů relačních dat](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Začínáme s dotazováním pomocí Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL je verze SQL)
+- [Obsah SQL na Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Zadání
+
+[Zadání](assignment.md)
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nezodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/05-relational-databases/assignment.md b/translations/cs/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..1ad6b7ac
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:33:05+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Zobrazení údajů o letištích
+
+Byla vám poskytnuta [databáze](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) vytvořená na základě [SQLite](https://sqlite.org/index.html), která obsahuje informace o letištích. Schéma databáze je uvedeno níže. Budete používat [rozšíření SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) v [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) pro zobrazení informací o letištích v různých městech.
+
+## Instrukce
+
+Abyste mohli začít s tímto úkolem, budete muset provést několik kroků. Budete potřebovat nainstalovat potřebné nástroje a stáhnout ukázkovou databázi.
+
+### Nastavení systému
+
+K interakci s databází můžete použít Visual Studio Code a rozšíření SQLite.
+
+1. Přejděte na [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) a postupujte podle pokynů pro instalaci Visual Studio Code
+1. Nainstalujte rozšíření [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) podle pokynů na stránce Marketplace
+
+### Stažení a otevření databáze
+
+Dále stáhněte a otevřete databázi.
+
+1. Stáhněte si [soubor databáze z GitHubu](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) a uložte jej do nějaké složky
+1. Otevřete Visual Studio Code
+1. Otevřete databázi v rozšíření SQLite výběrem **Ctl-Shift-P** (nebo **Cmd-Shift-P** na Macu) a zadáním `SQLite: Open database`
+1. Vyberte **Choose database from file** a otevřete soubor **airports.db**, který jste si stáhli
+1. Po otevření databáze (na obrazovce se nezobrazí žádná aktualizace) vytvořte nové okno pro dotazy výběrem **Ctl-Shift-P** (nebo **Cmd-Shift-P** na Macu) a zadáním `SQLite: New query`
+
+Jakmile je nové okno pro dotazy otevřené, můžete jej použít k provádění SQL příkazů proti databázi. K provádění dotazů můžete použít příkaz **Ctl-Shift-Q** (nebo **Cmd-Shift-Q** na Macu).
+
+> [!NOTE] Další informace o rozšíření SQLite naleznete v [dokumentaci](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Schéma databáze
+
+Schéma databáze představuje návrh a strukturu jejích tabulek. Databáze **airports** obsahuje dvě tabulky: `cities`, která obsahuje seznam měst ve Spojeném království a Irsku, a `airports`, která obsahuje seznam všech letišť. Protože některá města mohou mít více letišť, byly vytvořeny dvě tabulky pro uložení těchto informací. V tomto cvičení budete používat spojení (joins) k zobrazení informací o různých městech.
+
+| Cities           |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Airports                         |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## Zadání
+
+Vytvořte dotazy, které vrátí následující informace:
+
+1. všechna jména měst v tabulce `Cities`
+1. všechna města v Irsku v tabulce `Cities`
+1. všechna jména letišť spolu s jejich městem a zemí
+1. všechna letiště v Londýně, Spojené království
+
+## Hodnocení
+
+| Vynikající | Dostatečné | Potřebuje zlepšení |
+| ---------- | ---------- | ------------------ |
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/06-non-relational/README.md b/translations/cs/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..b0799aa8
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:54:00+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "cs"
+}
+-->
+# Práce s daty: Nerelační data
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Práce s NoSQL daty - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Data nejsou omezena pouze na relační databáze. Tato lekce se zaměřuje na nerelační data a pokryje základy tabulek a NoSQL.
+
+## Tabulky
+
+Tabulky jsou oblíbeným způsobem ukládání a zkoumání dat, protože jejich nastavení a používání vyžaduje méně práce. V této lekci se naučíte základní komponenty tabulky, stejně jako vzorce a funkce. Příklady budou ilustrovány pomocí Microsoft Excel, ale většina částí a témat bude mít podobné názvy a kroky ve srovnání s jiným softwarem pro tabulky.
+
+![Prázdný pracovní sešit Microsoft Excel se dvěma listy](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.cs.png)
+
+Tabulka je soubor, který bude přístupný v souborovém systému počítače, zařízení nebo cloudovém úložišti. Samotný software může být založen na prohlížeči nebo aplikaci, kterou je třeba nainstalovat na počítač nebo stáhnout jako aplikaci. V Excelu jsou tyto soubory také definovány jako **pracovní sešity** a tento termín bude používán po zbytek této lekce.
+
+Pracovní sešit obsahuje jeden nebo více **listů**, kde každý list je označen záložkami. Na listu se nacházejí obdélníky nazývané **buňky**, které obsahují skutečná data. Buňka je průsečík řádku a sloupce, kde sloupce jsou označeny abecedními znaky a řádky číselně. Některé tabulky obsahují záhlaví v prvních několika řádcích, která popisují data v buňce.
+
+S těmito základními prvky pracovního sešitu Excelu použijeme příklad z [Microsoft Templates](https://templates.office.com/) zaměřený na inventář, abychom prošli další části tabulky.
+
+### Správa inventáře
+
+Soubor tabulky nazvaný "InventoryExample" je formátovaná tabulka položek v inventáři, která obsahuje tři listy, kde záložky jsou označeny jako "Inventory List", "Inventory Pick List" a "Bin Lookup". Řádek 4 na listu Inventory List je záhlaví, které popisuje hodnotu každé buňky ve sloupci záhlaví.
+
+![Zvýrazněný vzorec z příkladu inventáře v Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.cs.png)
+
+Existují případy, kdy je hodnota buňky závislá na hodnotách jiných buněk, aby se její hodnota vygenerovala. Tabulka Inventory List sleduje náklady na každou položku v inventáři, ale co když potřebujeme znát hodnotu celého inventáře? [**Vzorce**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) provádějí operace na datech v buňkách a používají se k výpočtu hodnoty inventáře v tomto příkladu. Tato tabulka použila vzorec ve sloupci Inventory Value k výpočtu hodnoty každé položky vynásobením množství pod záhlavím QTY a jeho nákladů buňkami pod záhlavím COST. Dvojité kliknutí nebo zvýraznění buňky zobrazí vzorec. Všimnete si, že vzorce začínají znakem rovná se, za kterým následuje výpočet nebo operace.
+
+![Zvýrazněná funkce z příkladu inventáře v Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.cs.png)
+
+Můžeme použít další vzorec k sečtení všech hodnot ve sloupci Inventory Value, abychom získali jeho celkovou hodnotu. To by mohlo být vypočítáno přidáním každé buňky, ale to může být zdlouhavý úkol. Excel má [**funkce**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), nebo předdefinované vzorce pro provádění výpočtů na hodnotách buněk. Funkce vyžadují argumenty, což jsou požadované hodnoty používané k provádění těchto výpočtů. Když funkce vyžadují více než jeden argument, musí být uvedeny v určitém pořadí, jinak funkce nemusí vypočítat správnou hodnotu. Tento příklad používá funkci SUM a používá hodnoty ve sloupci Inventory Value jako argument k sečtení celkové hodnoty uvedené pod řádkem 3, sloupec B (také označovaný jako B3).
+
+## NoSQL
+
+NoSQL je zastřešující termín pro různé způsoby ukládání nerelačních dat a může být interpretován jako "non-SQL", "nerelační" nebo "nejen SQL". Tyto typy databázových systémů lze rozdělit do 4 kategorií.
+
+![Grafické znázornění úložiště dat typu klíč-hodnota zobrazující 4 unikátní číselné klíče spojené s 4 různými hodnotami](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.cs.png)
+> Zdroj z [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Databáze klíč-hodnota](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) spojují unikátní klíče, což je unikátní identifikátor spojený s hodnotou. Tyto páry jsou ukládány pomocí [hash tabulky](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) s vhodnou hashovací funkcí.
+
+![Grafické znázornění grafové databáze zobrazující vztahy mezi lidmi, jejich zájmy a lokalitami](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.cs.png)
+> Zdroj z [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Grafové databáze](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) popisují vztahy v datech a jsou reprezentovány jako kolekce uzlů a hran. Uzly představují entity, něco, co existuje v reálném světě, jako je student nebo bankovní výpis. Hrany představují vztah mezi dvěma entitami. Každý uzel a hrana mají vlastnosti, které poskytují další informace o každém uzlu a hraně.
+
+![Grafické znázornění sloupcového úložiště dat zobrazující databázi zákazníků se dvěma rodinami sloupců nazvanými Identity a Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.cs.png)
+
+[Sloupcová úložiště dat](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) organizují data do sloupců a řádků podobně jako relační datová struktura, ale každý sloupec je rozdělen do skupin nazývaných rodina sloupců, kde všechna data pod jedním sloupcem jsou příbuzná a mohou být získána nebo změněna jako jedna jednotka.
+
+### Úložiště dokumentů s Azure Cosmos DB
+
+[Úložiště dokumentů](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) staví na konceptu úložiště dat typu klíč-hodnota a skládá se ze série polí a objektů. Tato sekce prozkoumá databáze dokumentů pomocí emulátoru Cosmos DB.
+
+Databáze Cosmos DB odpovídá definici "nejen SQL", kde dokumentová databáze Cosmos DB spoléhá na SQL pro dotazování dat. [Předchozí lekce](../05-relational-databases/README.md) o SQL pokrývá základy jazyka a některé z těchto dotazů budeme moci použít i na dokumentovou databázi zde. Budeme používat emulátor Cosmos DB, který nám umožní vytvořit a prozkoumat dokumentovou databázi lokálně na počítači. Více o emulátoru si přečtěte [zde](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Dokument je kolekce polí a hodnot objektů, kde pole popisují, co hodnota objektu představuje. Níže je příklad dokumentu.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Pole, která nás v tomto dokumentu zajímají, jsou: `firstname`, `id` a `age`. Zbytek polí s podtržítky byl vygenerován Cosmos DB.
+
+#### Prozkoumávání dat pomocí emulátoru Cosmos DB
+
+Emulátor si můžete stáhnout a nainstalovat [pro Windows zde](https://aka.ms/cosmosdb-emulator). Podívejte se na tuto [dokumentaci](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) pro možnosti, jak spustit emulátor na macOS a Linuxu.
+
+Emulátor spustí okno prohlížeče, kde pohled Explorer umožňuje prozkoumávat dokumenty.
+
+![Pohled Explorer v emulátoru Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.cs.png)
+
+Pokud postupujete podle návodu, klikněte na "Start with Sample", abyste vygenerovali ukázkovou databázi nazvanou SampleDB. Pokud rozbalíte SampleDB kliknutím na šipku, najdete kontejner nazvaný `Persons`. Kontejner obsahuje kolekci položek, což jsou dokumenty uvnitř kontejneru. Můžete prozkoumat čtyři jednotlivé dokumenty pod `Items`.
+
+![Prozkoumávání ukázkových dat v emulátoru Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.cs.png)
+
+#### Dotazování na dokumentová data pomocí emulátoru Cosmos DB
+
+Můžeme také dotazovat na ukázková data kliknutím na tlačítko New SQL Query (druhé tlačítko zleva).
+
+`SELECT * FROM c` vrátí všechny dokumenty v kontejneru. Přidejme klauzuli WHERE a najděme všechny osoby mladší 40 let.
+
+`SELECT * FROM c where c.age < 40`
+
+![Spuštění dotazu SELECT na ukázková data v emulátoru Cosmos DB k nalezení dokumentů, které mají hodnotu pole age menší než 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.cs.png)
+
+Dotaz vrátí dva dokumenty, všimněte si, že hodnota age u každého dokumentu je menší než 40.
+
+#### JSON a dokumenty
+
+Pokud jste obeznámeni s JavaScript Object Notation (JSON), všimnete si, že dokumenty vypadají podobně jako JSON. V tomto adresáři je soubor `PersonsData.json` s více daty, která můžete nahrát do kontejneru Persons v emulátoru pomocí tlačítka `Upload Item`.
+
+Ve většině případů mohou být data vrácená API, která vrací JSON, přímo přenesena a uložena v dokumentových databázích. Níže je další dokument, který představuje tweety z účtu Microsoft na Twitteru, získané pomocí Twitter API a následně vložené do Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Pole, která nás v tomto dokumentu zajímají, jsou: `created_at`, `id` a `text`.
+
+## 🚀 Výzva
+
+V adresáři je soubor `TwitterData.json`, který můžete nahrát do databáze SampleDB. Doporučuje se, abyste jej přidali do samostatného kontejneru. To lze provést následujícím způsobem:
+
+1. Klikněte na tlačítko New Container v pravém horním rohu
+1. Vyberte existující databázi (SampleDB), vytvořte ID kontejneru
+1. Nastavte klíč oddílu na `/id`
+1. Klikněte na OK (ostatní informace v tomto pohledu můžete ignorovat, protože se jedná o malou datovou sadu běžící lokálně na vašem počítači)
+1. Otevřete nový kontejner a nahrajte soubor Twitter Data pomocí tlačítka `Upload Item`
+
+Zkuste spustit několik dotazů SELECT, abyste našli dokumenty, které mají Microsoft v poli text. Tip: zkuste použít [klíčové slovo LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Přehled a samostudium
+
+- Existují další formátování a funkce přidané do této tabulky, které tato lekce nepokrývá. Microsoft má [rozsáhlou knihovnu dokumentace a videí](https://support.microsoft.com/excel) o Excelu, pokud máte zájem se dozvědět více.
+
+- Tato architektonická dokumentace podrobně popisuje charakteristiky různých typů nerelačních dat: [Nerelační data a NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- Cosmos DB je cloudová nerelační databáze, která může také ukládat různé typy NoSQL zmíněné v této lekci. Více o těchto typech se dozvíte v tomto [modulu Microsoft Learn o Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Úkol
+
+[Soda Profits](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/06-non-relational/assignment.md b/translations/cs/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..420d10b9
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:57:50+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Zisky z limonád
+
+## Pokyny
+
+V tabulce [Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) chybí některé výpočty. Vaším úkolem je: 
+
+1. Vypočítat hrubé zisky za fiskální roky '15, '16, '17 a '18
+    - Hrubý zisk = Čisté provozní příjmy - Náklady na prodané zboží
+1. Vypočítat průměr všech hrubých zisků. Zkuste to provést pomocí funkce.
+    - Průměr = Součet hrubých zisků dělený počtem fiskálních roků (10)
+    - Dokumentace k funkci [AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Jedná se o soubor Excel, ale měl by být upravitelný v jakékoli platformě pro tabulky
+
+[Zdroj dat: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | --- |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/07-python/README.md b/translations/cs/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..60033bd3
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:45:33+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "cs"
+}
+-->
+# Práce s daty: Python a knihovna Pandas
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Práce s Pythonem - _Sketchnote od [@nitya](https://twitter.com/nitya)_                   |
+
+[![Úvodní video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.cs.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Databáze nabízejí velmi efektivní způsoby ukládání dat a jejich dotazování pomocí dotazovacích jazyků, ale nejflexibilnějším způsobem zpracování dat je napsání vlastního programu pro manipulaci s daty. V mnoha případech by bylo efektivnější použít dotaz na databázi. Nicméně v některých situacích, kdy je potřeba složitější zpracování dat, to nelze snadno provést pomocí SQL. 
+Zpracování dat lze naprogramovat v jakémkoli programovacím jazyce, ale existují určité jazyky, které jsou na vyšší úrovni, pokud jde o práci s daty. Datoví vědci obvykle preferují jeden z následujících jazyků:
+
+* **[Python](https://www.python.org/)**, univerzální programovací jazyk, který je často považován za jednu z nejlepších možností pro začátečníky díky své jednoduchosti. Python má mnoho doplňkových knihoven, které vám mohou pomoci vyřešit praktické problémy, jako je extrakce dat ze ZIP archivu nebo převod obrázku na odstíny šedi. Kromě datové vědy se Python často používá i pro vývoj webových aplikací. 
+* **[R](https://www.r-project.org/)** je tradiční nástroj vyvinutý s ohledem na statistické zpracování dat. Obsahuje také rozsáhlé úložiště knihoven (CRAN), což z něj činí dobrou volbu pro zpracování dat. Nicméně R není univerzální programovací jazyk a mimo oblast datové vědy se používá jen zřídka.
+* **[Julia](https://julialang.org/)** je další jazyk vyvinutý speciálně pro datovou vědu. Je navržen tak, aby poskytoval lepší výkon než Python, což z něj činí skvělý nástroj pro vědecké experimenty.
+
+V této lekci se zaměříme na použití Pythonu pro jednoduché zpracování dat. Předpokládáme základní znalost tohoto jazyka. Pokud chcete hlubší úvod do Pythonu, můžete se podívat na některý z následujících zdrojů:
+
+* [Naučte se Python zábavným způsobem pomocí Turtle Graphics a fraktálů](https://github.com/shwars/pycourse) - rychlý úvodní kurz programování v Pythonu na GitHubu
+* [Udělejte své první kroky s Pythonem](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) - vzdělávací cesta na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Data mohou mít mnoho podob. V této lekci se zaměříme na tři formy dat - **tabulková data**, **text** a **obrázky**.
+
+Zaměříme se na několik příkladů zpracování dat, místo abychom vám poskytli kompletní přehled všech souvisejících knihoven. To vám umožní získat základní představu o tom, co je možné, a zanechá vás s pochopením, kde najít řešení vašich problémů, když je budete potřebovat.
+
+> **Nejužitečnější rada**. Když potřebujete provést určitou operaci na datech, kterou nevíte, jak udělat, zkuste ji vyhledat na internetu. [Stackoverflow](https://stackoverflow.com/) obvykle obsahuje mnoho užitečných ukázek kódu v Pythonu pro mnoho typických úkolů. 
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Tabulková data a DataFrame
+
+S tabulkovými daty jste se již setkali, když jsme mluvili o relačních databázích. Když máte hodně dat, která jsou obsažena v mnoha různých propojených tabulkách, rozhodně má smysl použít SQL pro práci s nimi. Nicméně existuje mnoho případů, kdy máme tabulku dat a potřebujeme získat nějaké **pochopení** nebo **poznatky** o těchto datech, jako je rozložení, korelace mezi hodnotami atd. V datové vědě existuje mnoho situací, kdy potřebujeme provést nějaké transformace původních dat, následované vizualizací. Oba tyto kroky lze snadno provést pomocí Pythonu.
+
+Existují dvě nejdůležitější knihovny v Pythonu, které vám mohou pomoci pracovat s tabulkovými daty:
+* **[Pandas](https://pandas.pydata.org/)** umožňuje manipulovat s tzv. **DataFrame**, což jsou analogie relačních tabulek. Můžete mít pojmenované sloupce a provádět různé operace na řádcích, sloupcích a DataFrame obecně. 
+* **[Numpy](https://numpy.org/)** je knihovna pro práci s **tensory**, tj. vícerozměrnými **poli**. Pole má hodnoty stejného základního typu a je jednodušší než DataFrame, ale nabízí více matematických operací a vytváří menší režii.
+
+Existují také další knihovny, které byste měli znát:
+* **[Matplotlib](https://matplotlib.org/)** je knihovna používaná pro vizualizaci dat a vykreslování grafů
+* **[SciPy](https://www.scipy.org/)** je knihovna s některými dalšími vědeckými funkcemi. Již jsme se s touto knihovnou setkali, když jsme mluvili o pravděpodobnosti a statistice
+
+Zde je kousek kódu, který byste obvykle použili k importování těchto knihoven na začátku vašeho programu v Pythonu:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas se soustředí na několik základních konceptů.
+
+### Series 
+
+**Series** je sekvence hodnot, podobná seznamu nebo numpy poli. Hlavní rozdíl je v tom, že Series má také **index**, a když s nimi pracujeme (např. je sčítáme), index se bere v úvahu. Index může být tak jednoduchý jako číslo řádku (to je výchozí index při vytváření Series ze seznamu nebo pole), nebo může mít složitou strukturu, jako je časový interval.
+
+> **Poznámka**: V doprovodném notebooku [`notebook.ipynb`](notebook.ipynb) je úvodní kód pro Pandas. Zde uvádíme pouze některé příklady, ale určitě se podívejte na celý notebook.
+
+Představme si příklad: chceme analyzovat prodeje našeho stánku se zmrzlinou. Vygenerujeme sérii čísel prodejů (počet prodaných položek každý den) za určité časové období:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```
+![Graf časové řady](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.cs.png)
+
+Předpokládejme, že každý týden pořádáme večírek pro přátele a bereme dalších 10 balení zmrzliny na večírek. Můžeme vytvořit další sérii, indexovanou podle týdne, abychom to ukázali:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+Když sečteme dvě série dohromady, získáme celkový počet:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Graf časové řady](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.cs.png)
+
+> **Poznámka**: Nepoužíváme jednoduchou syntaxi `total_items+additional_items`. Pokud bychom to udělali, dostali bychom mnoho hodnot `NaN` (*Not a Number*) v výsledné sérii. To je proto, že v sérii `additional_items` chybí hodnoty pro některé indexové body, a přičtení `NaN` k čemukoli vede k `NaN`. Proto musíme při sčítání specifikovat parametr `fill_value`.
+
+U časových řad můžeme také **převzorkovat** sérii na různé časové intervaly. Například pokud chceme vypočítat průměrný objem prodeje měsíčně, můžeme použít následující kód:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Měsíční průměry časové řady](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.cs.png)
+
+### DataFrame
+
+DataFrame je v podstatě kolekce sérií se stejným indexem. Můžeme spojit několik sérií dohromady do DataFrame:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+To vytvoří horizontální tabulku jako tuto:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Můžeme také použít Series jako sloupce a specifikovat názvy sloupců pomocí slovníku:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+To nám dá tabulku jako tuto:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Poznámka**: Tuto tabulku můžeme také získat transpozicí předchozí tabulky, např. napsáním 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+Zde `.T` znamená operaci transpozice DataFrame, tj. změnu řádků a sloupců, a operace `rename` nám umožňuje přejmenovat sloupce tak, aby odpovídaly předchozímu příkladu.
+
+Zde je několik nejdůležitějších operací, které můžeme provádět na DataFrame:
+
+**Výběr sloupců**. Můžeme vybrat jednotlivé sloupce napsáním `df['A']` - tato operace vrací Series. Můžeme také vybrat podmnožinu sloupců do jiného DataFrame napsáním `df[['B','A']]` - to vrací další DataFrame.
+
+**Filtrování** pouze určitých řádků podle kritérií. Například, abychom ponechali pouze řádky, kde je sloupec `A` větší než 5, můžeme napsat `df[df['A']>5]`.
+
+> **Poznámka**: Způsob, jakým filtrování funguje, je následující. Výraz `df['A']<5` vrací booleovskou sérii, která označuje, zda je výraz `True` nebo `False` pro každý prvek původní série `df['A']`. Když je booleovská série použita jako index, vrací podmnožinu řádků v DataFrame. Proto není možné použít libovolný booleovský výraz v Pythonu, například napsání `df[df['A']>5 and df['A']<7]` by bylo špatné. Místo toho byste měli použít speciální operaci `&` na booleovské sérii, napsáním `df[(df['A']>5) & (df['A']<7)]` (*závorky jsou zde důležité*).
+
+**Vytváření nových vypočítatelných sloupců**. Můžeme snadno vytvořit nové vypočítatelné sloupce pro náš DataFrame pomocí intuitivního výrazu jako tento:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+Tento příklad vypočítává odchylku A od její průměrné hodnoty. Co se zde vlastně děje, je to, že vypočítáváme sérii a poté tuto sérii přiřazujeme na levou stranu, čímž vytváříme další sloupec. Proto nemůžeme použít žádné operace, které nejsou kompatibilní se sériemi, například následující kód je špatný:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+Poslední příklad, i když je syntakticky správný, nám dává špatný výsledek, protože přiřazuje délku série `B` ke všem hodnotám ve sloupci, a ne délku jednotlivých prvků, jak jsme zamýšleli.
+
+Pokud potřebujeme vypočítat složité výrazy jako tento, můžeme použít funkci `apply`. Poslední příklad lze napsat následovně:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+Po výše uvedených operacích skončíme s následujícím DataFrame:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Výběr řádků podle čísel** lze provést pomocí konstruktu `iloc`. Například, abychom vybrali prvních 5 řádků z DataFrame:
+```python
+df.iloc[:5]
+```
+
+**Seskupování** se často používá k získání výsledku podobného *kontingenčním tabulkám* v Excelu. Předpokládejme, že chceme vypočítat průměrnou hodnotu sloupce `A` pro každé dané číslo `LenB`. Poté můžeme seskupit náš DataFrame podle `LenB` a zavolat `mean`:
+```python
+df.groupby(by='LenB').mean()
+```
+Pokud potřebujeme vypočítat průměr a počet prvků ve skupině, můžeme použít složitější funkci `aggregate`:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+To nám dá následující tabulku:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Získávání dat
+Viděli jsme, jak snadné je vytvořit Series a DataFrames z objektů v Pythonu. Data však obvykle přicházejí ve formě textového souboru nebo tabulky v Excelu. Naštěstí nám Pandas nabízí jednoduchý způsob, jak načíst data z disku. Například čtení souboru CSV je tak jednoduché jako toto:
+```python
+df = pd.read_csv('file.csv')
+```
+V sekci "Výzva" uvidíme více příkladů načítání dat, včetně jejich získávání z externích webových stránek.
+
+### Tisk a vizualizace
+
+Datový vědec často potřebuje prozkoumat data, a proto je důležité umět je vizualizovat. Když je DataFrame velký, často chceme jen ověřit, že vše děláme správně, tím, že si vytiskneme prvních pár řádků. To lze provést voláním `df.head()`. Pokud to spustíte v Jupyter Notebooku, vytiskne se DataFrame v pěkné tabulkové podobě.
+
+Také jsme viděli použití funkce `plot` pro vizualizaci některých sloupců. Zatímco `plot` je velmi užitečný pro mnoho úkolů a podporuje různé typy grafů prostřednictvím parametru `kind=`, vždy můžete použít knihovnu `matplotlib` pro vykreslení něčeho složitějšího. Vizualizaci dat se budeme podrobně věnovat v samostatných lekcích kurzu.
+
+Tento přehled pokrývá nejdůležitější koncepty Pandas, avšak knihovna je velmi bohatá a neexistují žádné limity, co s ní můžete dělat! Pojďme nyní aplikovat tyto znalosti na řešení konkrétního problému.
+
+## 🚀 Výzva 1: Analýza šíření COVID
+
+Prvním problémem, na který se zaměříme, je modelování epidemického šíření COVID-19. K tomu použijeme data o počtu nakažených osob v různých zemích, která poskytuje [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) na [Johns Hopkins University](https://jhu.edu/). Dataset je dostupný v [tomto GitHub repozitáři](https://github.com/CSSEGISandData/COVID-19).
+
+Protože chceme ukázat, jak pracovat s daty, zveme vás k otevření souboru [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) a jeho přečtení od začátku do konce. Můžete také spouštět buňky a vyzkoušet si některé výzvy, které jsme pro vás připravili na konci.
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.cs.png)
+
+> Pokud nevíte, jak spustit kód v Jupyter Notebooku, podívejte se na [tento článek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## Práce s nestrukturovanými daty
+
+I když data často přicházejí v tabulkové podobě, v některých případech musíme pracovat s méně strukturovanými daty, například textem nebo obrázky. V takovém případě, abychom mohli použít techniky zpracování dat, které jsme viděli výše, musíme nějakým způsobem **extrahovat** strukturovaná data. Zde je několik příkladů:
+
+* Extrakce klíčových slov z textu a sledování, jak často se tato klíčová slova objevují
+* Použití neuronových sítí k extrakci informací o objektech na obrázku
+* Získávání informací o emocích lidí na videozáznamu
+
+## 🚀 Výzva 2: Analýza COVID publikací
+
+V této výzvě budeme pokračovat v tématu pandemie COVID a zaměříme se na zpracování vědeckých publikací na toto téma. Existuje [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) s více než 7000 (v době psaní) publikacemi o COVID, dostupný s metadaty a abstrakty (a u přibližně poloviny z nich je k dispozici i celý text).
+
+Kompletní příklad analýzy tohoto datasetu pomocí kognitivní služby [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) je popsán [v tomto blogovém příspěvku](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Probereme zjednodušenou verzi této analýzy.
+
+> **NOTE**: Kopii datasetu neposkytujeme jako součást tohoto repozitáře. Nejprve si možná budete muset stáhnout soubor [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) z [tohoto datasetu na Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Může být vyžadována registrace na Kaggle. Dataset si také můžete stáhnout bez registrace [zde](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), ale bude zahrnovat všechny plné texty kromě souboru s metadaty.
+
+Otevřete soubor [`notebook-papers.ipynb`](notebook-papers.ipynb) a přečtěte si jej od začátku do konce. Můžete také spouštět buňky a vyzkoušet si některé výzvy, které jsme pro vás připravili na konci.
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.cs.png)
+
+## Zpracování obrazových dat
+
+V poslední době byly vyvinuty velmi výkonné AI modely, které nám umožňují porozumět obrázkům. Existuje mnoho úkolů, které lze řešit pomocí předtrénovaných neuronových sítí nebo cloudových služeb. Některé příklady zahrnují:
+
+* **Klasifikace obrázků**, která vám může pomoci zařadit obrázek do jedné z předdefinovaných kategorií. Svůj vlastní klasifikátor obrázků můžete snadno natrénovat pomocí služeb, jako je [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum).
+* **Detekce objektů** pro identifikaci různých objektů na obrázku. Služby jako [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) dokážou detekovat řadu běžných objektů a můžete natrénovat model [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) pro detekci specifických objektů.
+* **Detekce obličejů**, včetně věku, pohlaví a emocí. To lze provést pomocí [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).
+
+Všechny tyto cloudové služby lze volat pomocí [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), a tak je snadno začlenit do vašeho workflow pro zkoumání dat.
+
+Zde jsou některé příklady zkoumání dat z obrazových zdrojů:
+* V blogovém příspěvku [Jak se naučit datovou vědu bez programování](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) zkoumáme fotografie z Instagramu a snažíme se pochopit, co způsobuje, že lidé dávají více lajků na fotografii. Nejprve extrahujeme co nejvíce informací z obrázků pomocí [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) a poté použijeme [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) k vytvoření interpretovatelného modelu.
+* V [Workshopu o studiu obličejů](https://github.com/CloudAdvocacy/FaceStudies) používáme [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) k extrakci emocí lidí na fotografiích z událostí, abychom se pokusili pochopit, co lidi činí šťastnými.
+
+## Závěr
+
+Ať už máte strukturovaná nebo nestrukturovaná data, pomocí Pythonu můžete provádět všechny kroky související se zpracováním a porozuměním dat. Je to pravděpodobně nejflexibilnější způsob zpracování dat, a proto většina datových vědců používá Python jako svůj hlavní nástroj. Naučit se Python do hloubky je pravděpodobně dobrý nápad, pokud to s cestou datové vědy myslíte vážně!
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## Recenze a samostudium
+
+**Knihy**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**Online zdroje**
+* Oficiální [10 minut do Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) tutoriál
+* [Dokumentace k vizualizaci v Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Učení Pythonu**
+* [Naučte se Python zábavnou formou s Turtle Graphics a fraktály](https://github.com/shwars/pycourse)
+* [Uděláte své první kroky s Pythonem](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+## Zadání
+
+[Proveďte podrobnější studii dat pro výzvy výše](assignment.md)
+
+## Poděkování
+
+Tuto lekci vytvořil s ♥️ [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/07-python/assignment.md b/translations/cs/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..206ec2ad
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:51:30+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Zadání pro zpracování dat v Pythonu
+
+V tomto zadání vás požádáme, abyste rozpracovali kód, který jsme začali vyvíjet v našich výzvách. Zadání se skládá ze dvou částí:
+
+## Modelování šíření COVID-19
+
+ - [ ] Vykreslete grafy *R* pro 5-6 různých zemí na jednom grafu pro porovnání, nebo použijte několik grafů vedle sebe.
+ - [ ] Zjistěte, jak počet úmrtí a uzdravení koreluje s počtem nakažených případů.
+ - [ ] Zjistěte, jak dlouho obvykle nemoc trvá, vizuálním porovnáním míry infekce a míry úmrtí a hledáním některých anomálií. Možná budete muset zkoumat různé země, abyste to zjistili.
+ - [ ] Vypočítejte míru úmrtnosti a jak se mění v čase. *Možná budete chtít vzít v úvahu délku nemoci v dnech a posunout jednu časovou řadu před provedením výpočtů.*
+
+## Analýza článků o COVID-19
+
+- [ ] Vytvořte matici společného výskytu různých léků a zjistěte, které léky se často vyskytují společně (tj. jsou zmíněny v jednom abstraktu). Můžete upravit kód pro vytvoření matice společného výskytu léků a diagnóz.
+- [ ] Vizualizujte tuto matici pomocí heatmapy.
+- [ ] Jako rozšiřující úkol vizualizujte společný výskyt léků pomocí [chord diagramu](https://en.wikipedia.org/wiki/Chord_diagram). [Tato knihovna](https://pypi.org/project/chord/) vám může pomoci nakreslit chord diagram.
+- [ ] Jako další rozšiřující úkol extrahujte dávkování různých léků (například **400mg** ve větě *užívejte 400mg chlorochinu denně*) pomocí regulárních výrazů a vytvořte dataframe, který ukazuje různá dávkování pro různé léky. **Poznámka**: zvažte číselné hodnoty, které se nacházejí v blízkém textovém okolí názvu léku.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Všechny úkoly jsou splněny, graficky znázorněny a vysvětleny, včetně alespoň jednoho ze dvou rozšiřujících úkolů | Více než 5 úkolů je splněno, žádné rozšiřující úkoly nejsou pokuseny, nebo výsledky nejsou jasné | Méně než 5 (ale více než 3) úkolů je splněno, vizualizace nepomáhají demonstrovat pointu
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/08-data-preparation/README.md b/translations/cs/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..67f90d23
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:36:54+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "cs"
+}
+-->
+# Práce s daty: Příprava dat
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Příprava dat - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+V závislosti na svém zdroji mohou surová data obsahovat určité nesrovnalosti, které způsobí problémy při analýze a modelování. Jinými slovy, tato data lze označit jako „špinavá“ a bude nutné je vyčistit. Tato lekce se zaměřuje na techniky čištění a transformace dat, aby bylo možné řešit problémy s chybějícími, nepřesnými nebo neúplnými daty. Témata probíraná v této lekci využívají Python a knihovnu Pandas a budou [demonstrována v notebooku](notebook.ipynb) v tomto adresáři.
+
+## Důležitost čištění dat
+
+- **Snadné použití a opětovné použití**: Když jsou data správně organizována a normalizována, je snazší je vyhledávat, používat a sdílet s ostatními.
+
+- **Konzistence**: Datová věda často vyžaduje práci s více datovými sadami, kde je třeba spojit datové sady z různých zdrojů. Zajištění společné standardizace každé jednotlivé datové sady zajistí, že data budou stále užitečná, když budou sloučena do jedné datové sady.
+
+- **Přesnost modelu**: Vyčištěná data zlepšují přesnost modelů, které na nich závisí.
+
+## Běžné cíle a strategie čištění
+
+- **Prozkoumání datové sady**: Prozkoumání dat, které je probíráno v [pozdější lekci](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), vám může pomoci odhalit data, která je třeba vyčistit. Vizualizace hodnot v datové sadě může nastavit očekávání, jak bude zbytek vypadat, nebo poskytnout představu o problémech, které lze vyřešit. Prozkoumání může zahrnovat základní dotazování, vizualizace a vzorkování.
+
+- **Formátování**: V závislosti na zdroji mohou data obsahovat nesrovnalosti v tom, jak jsou prezentována. To může způsobit problémy při vyhledávání a reprezentaci hodnot, kdy jsou v datové sadě viditelné, ale nejsou správně reprezentovány ve vizualizacích nebo výsledcích dotazů. Běžné problémy s formátováním zahrnují řešení mezer, dat a typů dat. Řešení problémů s formátováním obvykle závisí na lidech, kteří data používají. Například standardy pro prezentaci dat a čísel se mohou lišit podle země.
+
+- **Duplicitní data**: Data, která se vyskytují vícekrát, mohou vést k nepřesným výsledkům a obvykle by měla být odstraněna. To je běžné při spojování dvou nebo více datových sad. Existují však případy, kdy duplicity v propojených datových sadách obsahují informace, které mohou být užitečné, a měly by být zachovány.
+
+- **Chybějící data**: Chybějící data mohou způsobit nepřesnosti i slabé nebo zaujaté výsledky. Někdy lze tento problém vyřešit „znovunačtením“ dat, doplněním chybějících hodnot výpočtem a kódem, například v Pythonu, nebo jednoduše odstraněním hodnoty a odpovídajících dat. Existuje mnoho důvodů, proč data mohou chybět, a kroky k jejich řešení závisí na tom, jak a proč zmizela.
+
+## Prozkoumání informací o DataFrame
+> **Cíl učení:** Na konci této podkapitoly byste měli být schopni najít obecné informace o datech uložených v pandas DataFrame.
+
+Jakmile načtete svá data do pandas, pravděpodobně budou ve formátu DataFrame (viz předchozí [lekce](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) pro podrobný přehled). Pokud však má datová sada ve vašem DataFrame 60 000 řádků a 400 sloupců, jak vůbec začít chápat, s čím pracujete? Naštěstí [pandas](https://pandas.pydata.org/) poskytuje užitečné nástroje pro rychlé zobrazení obecných informací o DataFrame, kromě prvních a posledních několika řádků.
+
+Abychom prozkoumali tuto funkčnost, importujeme knihovnu Python scikit-learn a použijeme ikonickou datovou sadu: **Iris dataset**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: Na začátek se metoda `info()` používá k vytištění souhrnu obsahu přítomného v `DataFrame`. Podívejme se na tuto datovou sadu:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+Z toho víme, že datová sada *Iris* má 150 záznamů ve čtyřech sloupcích bez žádných nulových záznamů. Všechna data jsou uložena jako 64bitová čísla s plovoucí desetinnou čárkou.
+
+- **DataFrame.head()**: Dále, abychom zkontrolovali skutečný obsah `DataFrame`, použijeme metodu `head()`. Podívejme se, jak vypadají první řádky našeho `iris_df`:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Naopak, abychom zkontrolovali poslední řádky `DataFrame`, použijeme metodu `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Shrnutí:** Už jen pohledem na metadata o informacích v DataFrame nebo na prvních a posledních několik hodnot v něm můžete okamžitě získat představu o velikosti, tvaru a obsahu dat, se kterými pracujete.
+
+## Řešení chybějících dat
+> **Cíl učení:** Na konci této podkapitoly byste měli vědět, jak nahradit nebo odstranit nulové hodnoty z DataFrame.
+
+Většina datových sad, které chcete (nebo musíte) použít, obsahuje chybějící hodnoty. Způsob, jakým se s chybějícími daty zachází, s sebou nese jemné kompromisy, které mohou ovlivnit vaši konečnou analýzu a výsledky v reálném světě.
+
+Pandas zpracovává chybějící hodnoty dvěma způsoby. První jste již viděli v předchozích sekcích: `NaN`, neboli Not a Number. To je ve skutečnosti speciální hodnota, která je součástí specifikace IEEE pro čísla s plovoucí desetinnou čárkou, a používá se pouze k označení chybějících hodnot s plovoucí desetinnou čárkou.
+
+Pro chybějící hodnoty kromě čísel s plovoucí desetinnou čárkou používá pandas objekt `None` z Pythonu. I když se může zdát matoucí, že se setkáte se dvěma různými typy hodnot, které v podstatě říkají totéž, existují pro tento návrh programové důvody a v praxi tento přístup umožňuje pandas nabídnout dobrý kompromis pro většinu případů. Přesto však `None` i `NaN` mají určitá omezení, na která je třeba myslet při jejich používání.
+
+Více o `NaN` a `None` si přečtěte v [notebooku](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Detekce nulových hodnot**: V `pandas` jsou vaše hlavní metody pro detekci nulových dat `isnull()` a `notnull()`. Obě vracejí Booleovské masky nad vašimi daty. Budeme používat `numpy` pro hodnoty `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Podívejte se pozorně na výstup. Překvapilo vás něco? I když je `0` aritmetická nula, je to přesto platné celé číslo a pandas jej takto považuje. `''` je trochu jemnější. I když jsme jej v sekci 1 použili k reprezentaci prázdného řetězce, je to přesto objekt řetězce a ne reprezentace nuly podle pandas.
+
+Nyní to otočme a použijme tyto metody způsobem, jakým je pravděpodobně budete používat v praxi. Booleovské masky můžete použít přímo jako index `Series` nebo `DataFrame`, což může být užitečné při práci s izolovanými chybějícími (nebo přítomnými) hodnotami.
+
+> **Shrnutí**: Metody `isnull()` a `notnull()` produkují podobné výsledky při jejich použití v `DataFrame`: ukazují výsledky a index těchto výsledků, což vám velmi pomůže při práci s vašimi daty.
+
+- **Odstraňování nulových hodnot**: Kromě identifikace chybějících hodnot poskytuje pandas pohodlný způsob, jak odstranit nulové hodnoty z `Series` a `DataFrame`. (Zejména u velkých datových sad je často vhodnější jednoduše odstranit chybějící [NA] hodnoty z vaší analýzy než se s nimi vypořádávat jinými způsoby.) Abychom to viděli v praxi, vraťme se k `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Všimněte si, že by to mělo vypadat jako váš výstup z `example3[example3.notnull()]`. Rozdíl je v tom, že místo indexování na maskovaných hodnotách `dropna` odstranil tyto chybějící hodnoty z `Series` `example1`.
+
+Protože `DataFrame` mají dvě dimenze, nabízejí více možností pro odstraňování dat.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Všimli jste si, že pandas převedl dva sloupce na čísla s plovoucí desetinnou čárkou, aby vyhověl `NaN`?)
+
+Nemůžete odstranit jednu hodnotu z `DataFrame`, takže musíte odstranit celé řádky nebo sloupce. V závislosti na tom, co děláte, můžete chtít udělat jedno nebo druhé, a proto vám pandas dává možnosti pro obojí. Protože ve vědě o datech sloupce obvykle představují proměnné a řádky představují pozorování, je pravděpodobnější, že odstraníte řádky dat; výchozí nastavení pro `dropna()` je odstranit všechny řádky, které obsahují jakékoli nulové hodnoty:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Pokud je to nutné, můžete odstranit hodnoty NA ze sloupců. Použijte `axis=1` k tomu:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Všimněte si, že to může odstranit mnoho dat, která byste mohli chtít zachovat, zejména v menších datových sadách. Co když chcete odstranit pouze řádky nebo sloupce, které obsahují několik nebo dokonce všechny nulové hodnoty? Tyto nastavení můžete specifikovat v `dropna` pomocí parametrů `how` a `thresh`.
+
+Ve výchozím nastavení je `how='any'` (pokud si to chcete ověřit sami nebo zjistit, jaké další parametry metoda má, spusťte `example4.dropna?` v buňce kódu). Alternativně byste mohli specifikovat `how='all'`, abyste odstranili pouze řádky nebo sloupce, které obsahují všechny nulové hodnoty. Rozšiřme náš příklad `DataFrame`, abychom to viděli v praxi.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+Parametr `thresh` vám dává jemnější kontrolu: nastavíte počet *nenulových* hodnot, které musí řádek nebo sloupec obsahovat, aby byl zachován:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Zde byly první a poslední řádek odstraněny, protože obsahují pouze dvě nenulové hodnoty.
+
+- **Vyplňování nulových hodnot**: V závislosti na vaší datové sadě může někdy dávat větší smysl vyplnit nulové hodnoty platnými hodnotami, než je odstranit. Mohli byste použít `isnull` k tomu, abyste to udělali na místě, ale to může být pracné, zejména pokud máte mnoho hodnot k vyplnění. Protože se jedná o tak běžný úkol ve vědě o datech, pandas poskytuje `fillna`, který vrací kopii `Series` nebo `DataFrame` s chybějícími hodnotami nahrazenými vámi zvolenou hodnotou. Vytvořme další příklad `Series`, abychom viděli, jak to funguje v praxi.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Můžete vyplnit všechny nulové záznamy jednou hodnotou, například `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Můžete **doplnit dopředu** nulové hodnoty, což znamená použít poslední platnou hodnotu k vyplnění nuly:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+Můžete také **doplnit zpětně**, aby se propagovala další platná hodnota zpět k vyplnění nuly:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Jak asi tušíte, toto funguje stejně s `DataFrame`, ale můžete také specifikovat `axis`, podél kterého chcete vyplnit nulové hodnoty. Použijeme znovu dříve použitý `example2`:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Všimněte si, že když není k dispozici předchozí hodnota pro doplnění dopředu, nulová hodnota zůstává.
+> **Hlavní myšlenka:** Existuje několik způsobů, jak se vypořádat s chybějícími hodnotami ve vašich datových sadách. Konkrétní strategie, kterou použijete (odstranění, nahrazení nebo způsob nahrazení), by měla být určena specifiky těchto dat. Čím více budete pracovat s datovými sadami, tím lépe pochopíte, jak se vypořádat s chybějícími hodnotami.
+
+## Odstraňování duplicitních dat
+
+> **Cíl učení:** Na konci této podsekce byste měli být schopni identifikovat a odstraňovat duplicitní hodnoty z DataFrame.
+
+Kromě chybějících dat se v reálných datových sadách často setkáte s duplicitními daty. Naštěstí `pandas` poskytuje jednoduchý způsob, jak detekovat a odstraňovat duplicitní záznamy.
+
+- **Identifikace duplicit: `duplicated`**: Duplicitní hodnoty můžete snadno identifikovat pomocí metody `duplicated` v pandas, která vrací masku typu Boolean označující, zda je záznam v `DataFrame` duplicitou dřívějšího záznamu. Vytvořme další příklad `DataFrame`, abychom si to ukázali v praxi.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Odstraňování duplicit: `drop_duplicates`:** jednoduše vrací kopii dat, u kterých jsou všechny hodnoty označené jako `duplicated` nastaveny na `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Metody `duplicated` a `drop_duplicates` standardně zohledňují všechny sloupce, ale můžete specifikovat, že mají zkoumat pouze podmnožinu sloupců ve vašem `DataFrame`:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Hlavní myšlenka:** Odstraňování duplicitních dat je nezbytnou součástí téměř každého projektu v oblasti datové vědy. Duplicitní data mohou změnit výsledky vašich analýz a poskytnout vám nepřesné výsledky!
+
+
+## 🚀 Výzva
+
+Všechny probírané materiály jsou k dispozici jako [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Navíc jsou po každé sekci k dispozici cvičení, zkuste je vyřešit!
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Přehled & Samostudium
+
+Existuje mnoho způsobů, jak objevit a přistupovat k přípravě dat pro analýzu a modelování, a čištění dat je důležitým krokem, který vyžaduje praktické zkušenosti. Vyzkoušejte tyto výzvy na Kaggle, abyste prozkoumali techniky, které tato lekce nepokryla.
+
+- [Výzva k čištění dat: Parsování dat](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Výzva k čištění dat: Škálování a normalizace dat](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Zadání
+
+[Hodnocení dat z formuláře](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/08-data-preparation/assignment.md b/translations/cs/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..46c281a8
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:41:39+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Vyhodnocení dat z formuláře
+
+Klient testoval [malý formulář](../../../../2-Working-With-Data/08-data-preparation/index.html) pro sběr základních údajů o své klientele. Přinesli vám svá zjištění, abyste ověřili data, která shromáždili. Stránku `index.html` si můžete otevřít v prohlížeči a podívat se na formulář.
+
+Byl vám poskytnut [dataset csv záznamů](../../../../data/form.csv), který obsahuje údaje z formuláře a také některé základní vizualizace. Klient upozornil, že některé vizualizace vypadají nesprávně, ale nejsou si jistí, jak problém vyřešit. Můžete si to prozkoumat v [zadání v notebooku](assignment.ipynb).
+
+## Pokyny
+
+Použijte techniky z této lekce, abyste navrhli doporučení pro formulář, aby zachycoval přesné a konzistentní informace.
+
+## Hodnocení
+
+Vynikající | Dostatečné | Potřebuje zlepšení
+--- | --- | --- |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/2-Working-With-Data/README.md b/translations/cs/2-Working-With-Data/README.md
new file mode 100644
index 00000000..18d2ee99
--- /dev/null
+++ b/translations/cs/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:27:36+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "cs"
+}
+-->
+# Práce s daty
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.cs.jpg)
+> Foto od <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexandra Sinna</a> na <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V těchto lekcích se naučíte některé způsoby, jak lze data spravovat, manipulovat s nimi a používat je v aplikacích. Naučíte se o relačních a nerelačních databázích a o tom, jak v nich lze data ukládat. Získáte základy práce s Pythonem pro správu dat a objevíte některé z mnoha způsobů, jak můžete Python využít k práci s daty a jejich analýze.
+
+### Témata
+
+1. [Relační databáze](05-relational-databases/README.md)
+2. [Nerelační databáze](06-non-relational/README.md)
+3. [Práce s Pythonem](07-python/README.md)
+4. [Příprava dat](08-data-preparation/README.md)
+
+### Autoři
+
+Tyto lekce byly napsány s ❤️ [Christopherem Harrisonem](https://twitter.com/geektrainer), [Dmitrijem Soshnikovem](https://twitter.com/shwars) a [Jasmine Greenaway](https://twitter.com/paladique).
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/09-visualization-quantities/README.md b/translations/cs/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..f63377dd
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:23:23+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace množství
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizace množství - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V této lekci se naučíte, jak používat jednu z mnoha dostupných knihoven Pythonu k vytváření zajímavých vizualizací zaměřených na koncept množství. Pomocí vyčištěného datasetu o ptácích z Minnesoty můžete objevit mnoho zajímavých faktů o místní fauně.  
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Pozorování rozpětí křídel s Matplotlib
+
+Vynikající knihovnou pro vytváření jednoduchých i sofistikovaných grafů a diagramů různých typů je [Matplotlib](https://matplotlib.org/stable/index.html). Obecně proces vykreslování dat pomocí těchto knihoven zahrnuje identifikaci částí vašeho dataframe, které chcete cílit, provedení potřebných transformací na těchto datech, přiřazení hodnot osám x a y, rozhodnutí o typu grafu a následné zobrazení grafu. Matplotlib nabízí širokou škálu vizualizací, ale v této lekci se zaměříme na ty nejvhodnější pro vizualizaci množství: čárové grafy, bodové grafy a sloupcové grafy.
+
+> ✅ Použijte nejlepší typ grafu podle struktury vašich dat a příběhu, který chcete vyprávět.  
+> - Pro analýzu trendů v čase: čárový graf  
+> - Pro porovnání hodnot: sloupcový, koláčový, bodový graf  
+> - Pro zobrazení, jak části tvoří celek: koláčový graf  
+> - Pro zobrazení distribuce dat: bodový, sloupcový graf  
+> - Pro zobrazení trendů: čárový, sloupcový graf  
+> - Pro zobrazení vztahů mezi hodnotami: čárový, bodový, bublinový graf  
+
+Pokud máte dataset a potřebujete zjistit, kolik určité položky obsahuje, jedním z prvních úkolů bude prozkoumat jeho hodnoty.
+
+✅ Existují velmi dobré 'taháky' pro Matplotlib [zde](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Vytvoření čárového grafu o hodnotách rozpětí křídel ptáků
+
+Otevřete soubor `notebook.ipynb` v kořenové složce této lekce a přidejte buňku.
+
+> Poznámka: data jsou uložena v kořenové složce tohoto repozitáře ve složce `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Tato data jsou směsí textu a čísel:
+
+|      | Název                        | VědeckýNázev           | Kategorie             | Řád          | Čeleď    | Rod         | StavOchrany         | MinDélka | MaxDélka | MinHmotnost | MaxHmotnost | MinRozpětí | MaxRozpětí |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Černobřichá pižmovka         | Dendrocygna autumnalis | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Pižmovka rezavá              | Dendrocygna bicolor    | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Sněžná husa                  | Anser caerulescens     | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova husa                 | Anser rossii           | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Husa běločelá                | Anser albifrons        | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Začněme vykreslením některých číselných dat pomocí základního čárového grafu. Představte si, že chcete zobrazit maximální rozpětí křídel těchto zajímavých ptáků.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Maximální rozpětí křídel](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.cs.png)
+
+Co si všimnete na první pohled? Zdá se, že existuje alespoň jeden extrémní údaj – to je opravdu velké rozpětí křídel! Rozpětí křídel 2300 centimetrů odpovídá 23 metrům – potulují se v Minnesotě pterodaktylové? Pojďme to prozkoumat.
+
+I když byste mohli rychle seřadit data v Excelu a najít tyto extrémní hodnoty, které jsou pravděpodobně překlepy, pokračujte v procesu vizualizace přímo z grafu.
+
+Přidejte popisky na osu x, aby bylo vidět, o jaké ptáky se jedná:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![Rozpětí křídel s popisky](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.cs.png)
+
+I s otočením popisků o 45 stupňů je jich příliš mnoho na čtení. Zkusme jinou strategii: označme pouze ty extrémní hodnoty a nastavme popisky přímo do grafu. Můžete použít bodový graf, abyste získali více prostoru pro popisky:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Co se zde děje? Použili jste `tick_params` k skrytí spodních popisků a poté vytvořili smyčku přes dataset ptáků. Vykreslením grafu s malými modrými tečkami pomocí `bo` jste zkontrolovali, zda má nějaký pták maximální rozpětí křídel přes 500, a pokud ano, zobrazili jste jeho popisek vedle tečky. Popisky jste trochu posunuli na ose y (`y * (1 - 0.05)`) a použili název ptáka jako popisek.
+
+Co jste zjistili?
+
+![Extrémní hodnoty](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.cs.png)  
+## Filtrování dat
+
+Orel bělohlavý a sokol prériový, i když jsou pravděpodobně velmi velcí ptáci, se zdají být špatně označeni, s přidanou nulou k jejich maximálnímu rozpětí křídel. Je nepravděpodobné, že byste potkali orla bělohlavého s rozpětím křídel 25 metrů, ale pokud ano, dejte nám vědět! Vytvořme nový dataframe bez těchto dvou extrémních hodnot:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Filtrováním extrémních hodnot jsou nyní vaše data soudržnější a srozumitelnější.
+
+![Bodový graf rozpětí křídel](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.cs.png)
+
+Nyní, když máme čistší dataset alespoň co se týče rozpětí křídel, pojďme objevit více o těchto ptácích.
+
+Zatímco čárové a bodové grafy mohou zobrazovat informace o hodnotách dat a jejich distribucích, chceme přemýšlet o hodnotách obsažených v tomto datasetu. Můžete vytvořit vizualizace, které odpoví na následující otázky o množství:
+
+> Kolik kategorií ptáků existuje a jaké jsou jejich počty?  
+> Kolik ptáků je vyhynulých, ohrožených, vzácných nebo běžných?  
+> Kolik je různých rodů a řádů podle Linnaeovy terminologie?  
+## Prozkoumejte sloupcové grafy
+
+Sloupcové grafy jsou praktické, když potřebujete zobrazit seskupení dat. Prozkoumejme kategorie ptáků, které existují v tomto datasetu, abychom zjistili, která je nejběžnější podle počtu.
+
+V souboru notebooku vytvořte základní sloupcový graf.
+
+✅ Poznámka: Můžete buď filtrovat dva extrémní ptáky, které jsme identifikovali v předchozí části, opravit překlep v jejich rozpětí křídel, nebo je ponechat pro tyto cvičení, která nezávisí na hodnotách rozpětí křídel.
+
+Pokud chcete vytvořit sloupcový graf, můžete vybrat data, na která se chcete zaměřit. Sloupcové grafy lze vytvořit z neupravených dat:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![Plná data jako sloupcový graf](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.cs.png)
+
+Tento sloupcový graf je však nečitelný, protože je zde příliš mnoho neseskupených dat. Musíte vybrat pouze data, která chcete vykreslit, takže se podívejme na délku ptáků podle jejich kategorie.
+
+Filtrovat data tak, aby zahrnovala pouze kategorii ptáků.
+
+✅ Všimněte si, že používáte Pandas pro správu dat a poté necháte Matplotlib vykreslit graf.
+
+Protože existuje mnoho kategorií, můžete tento graf zobrazit vertikálně a upravit jeho výšku, aby odpovídala všem datům:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![Kategorie a délka](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.cs.png)
+
+Tento sloupcový graf ukazuje dobrý přehled o počtu ptáků v každé kategorii. Na první pohled vidíte, že největší počet ptáků v této oblasti patří do kategorie Kachny/Husy/Vodní ptáci. Minnesota je 'země 10 000 jezer', takže to není překvapivé!
+
+✅ Vyzkoušejte další počty v tomto datasetu. Překvapilo vás něco?
+
+## Porovnávání dat
+
+Můžete zkusit různé porovnání seskupených dat vytvořením nových os. Zkuste porovnání maximální délky ptáka podle jeho kategorie:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![Porovnávání dat](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.cs.png)
+
+Nic překvapivého zde: kolibříci mají nejmenší maximální délku ve srovnání s pelikány nebo husami. Je dobré, když data dávají logický smysl!
+
+Můžete vytvořit zajímavější vizualizace sloupcových grafů překrytím dat. Překryjme minimální a maximální délku na dané kategorii ptáků:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+V tomto grafu vidíte rozsah pro každou kategorii ptáků mezi minimální a maximální délkou. Můžete bezpečně říci, že podle těchto dat platí, že čím větší pták, tím větší rozsah jeho délky. Fascinující!
+
+![Překryté hodnoty](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.cs.png)
+
+## 🚀 Výzva
+
+Tento dataset o ptácích nabízí bohatství informací o různých typech ptáků v konkrétním ekosystému. Prohledejte internet a zjistěte, zda můžete najít další dataset zaměřený na ptáky. Procvičte si vytváření grafů a diagramů o těchto ptácích a objevte fakta, která jste si neuvědomili.  
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Přehled a samostudium
+
+Tato první lekce vám poskytla informace o tom, jak používat Matplotlib k vizualizaci množství. Proveďte výzkum dalších způsobů práce s datovými sadami pro vizualizaci. [Plotly](https://github.com/plotly/plotly.py) je jedním z nástrojů, které v těchto lekcích neprobereme, takže se podívejte, co nabízí.  
+## Zadání
+
+[Čáry, body a sloupce](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/cs/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..e0685e97
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:26:56+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Čáry, bodové grafy a sloupcové grafy
+
+## Pokyny
+
+V této lekci jste pracovali s čárovými grafy, bodovými grafy a sloupcovými grafy, abyste ukázali zajímavé informace o tomto datasetu. V tomto úkolu se ponořte hlouběji do datasetu a objevte zajímavý fakt o daném druhu ptáka. Například vytvořte notebook, který vizualizuje všechny zajímavé údaje, které můžete zjistit o sněžných husách. Použijte tři výše zmíněné typy grafů, abyste ve svém notebooku vyprávěli příběh.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | -- |
+Notebook je prezentován s dobrými poznámkami, silným příběhem a atraktivními grafy | Notebook postrádá jeden z těchto prvků | Notebook postrádá dva z těchto prvků
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Za autoritativní zdroj by měl být považován původní dokument v jeho původním jazyce. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/10-visualization-distributions/README.md b/translations/cs/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..8b7222fb
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:50:12+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace distribucí
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizace distribucí - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V předchozí lekci jste se dozvěděli zajímavé informace o datové sadě o ptácích z Minnesoty. Našli jste chybné údaje vizualizací odlehlých hodnot a podívali jste se na rozdíly mezi kategoriemi ptáků podle jejich maximální délky.
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Prozkoumejte datovou sadu ptáků
+
+Dalším způsobem, jak se ponořit do dat, je podívat se na jejich distribuci, tedy na to, jak jsou data uspořádána podél osy. Možná byste například chtěli zjistit obecnou distribuci maximálního rozpětí křídel nebo maximální tělesné hmotnosti ptáků z Minnesoty v této datové sadě.
+
+Pojďme objevit některá fakta o distribucích dat v této datové sadě. V souboru _notebook.ipynb_ v kořenové složce této lekce importujte Pandas, Matplotlib a vaše data:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Název                        | Vědecký název          | Kategorie             | Řád          | Čeleď    | Rod         | Stav ochrany        | MinDélka  | MaxDélka  | MinHmotnost | MaxHmotnost | MinRozpětí  | MaxRozpětí  |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Černobřichá pižmovka         | Dendrocygna autumnalis | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Pižmovka rezavá              | Dendrocygna bicolor    | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Sněžná husa                  | Anser caerulescens     | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova husa                 | Anser rossii           | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Husa běločelá                | Anser albifrons        | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Obecně můžete rychle zjistit, jak jsou data distribuována, pomocí bodového grafu, jak jsme to udělali v předchozí lekci:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![max délka podle řádu](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.cs.png)
+
+Tento graf poskytuje přehled o obecné distribuci délky těla podle řádu ptáků, ale není to optimální způsob zobrazení skutečných distribucí. Tento úkol se obvykle řeší vytvořením histogramu.
+
+## Práce s histogramy
+
+Matplotlib nabízí velmi dobré způsoby vizualizace distribuce dat pomocí histogramů. Tento typ grafu je podobný sloupcovému grafu, kde distribuci lze vidět podle vzestupu a poklesu sloupců. K vytvoření histogramu potřebujete číselná data. K vytvoření histogramu můžete vykreslit graf s typem 'hist' pro histogram. Tento graf ukazuje distribuci MaxBodyMass pro celý rozsah číselných dat v datové sadě. Rozdělením pole dat na menší intervaly může zobrazit distribuci hodnot dat:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![distribuce přes celou datovou sadu](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.cs.png)
+
+Jak vidíte, většina z více než 400 ptáků v této datové sadě spadá do rozsahu pod 2000 pro jejich maximální tělesnou hmotnost. Získejte více informací o datech změnou parametru `bins` na vyšší číslo, například 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![distribuce přes celou datovou sadu s větším parametrem bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.cs.png)
+
+Tento graf ukazuje distribuci trochu podrobněji. Méně zkreslený graf by mohl být vytvořen zajištěním, že vyberete pouze data v daném rozsahu:
+
+Filtrovat data tak, aby obsahovala pouze ptáky s tělesnou hmotností pod 60, a zobrazit 40 `bins`:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![filtrovaný histogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.cs.png)
+
+✅ Vyzkoušejte jiné filtry a datové body. Chcete-li zobrazit celou distribuci dat, odstraňte filtr `['MaxBodyMass']` a zobrazte označené distribuce.
+
+Histogram nabízí také některé pěkné barevné a popisné vylepšení, které můžete vyzkoušet:
+
+Vytvořte 2D histogram pro porovnání vztahu mezi dvěma distribucemi. Porovnejme `MaxBodyMass` vs. `MaxLength`. Matplotlib nabízí vestavěný způsob zobrazení konvergence pomocí jasnějších barev:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Zdá se, že existuje očekávaná korelace mezi těmito dvěma prvky podél očekávané osy, s jedním obzvláště silným bodem konvergence:
+
+![2D graf](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.cs.png)
+
+Histogramy fungují dobře ve výchozím nastavení pro číselná data. Co když potřebujete vidět distribuce podle textových dat? 
+## Prozkoumejte datovou sadu pro distribuce pomocí textových dat 
+
+Tato datová sada také obsahuje dobré informace o kategorii ptáků, jejich rodu, druhu, čeledi a stavu ochrany. Pojďme se ponořit do těchto informací o ochraně. Jaká je distribuce ptáků podle jejich stavu ochrany?
+
+> ✅ V datové sadě se používá několik zkratek k popisu stavu ochrany. Tyto zkratky pocházejí z [IUCN Red List Categories](https://www.iucnredlist.org/), organizace, která katalogizuje stav druhů.
+> 
+> - CR: Kriticky ohrožený
+> - EN: Ohrožený
+> - EX: Vyhynulý
+> - LC: Nejmenší obavy
+> - NT: Téměř ohrožený
+> - VU: Zranitelný
+
+Jedná se o textové hodnoty, takže budete muset provést transformaci, abyste vytvořili histogram. Pomocí dataframe `filteredBirds` zobrazte jeho stav ochrany vedle jeho minimálního rozpětí křídel. Co vidíte? 
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![rozpětí křídel a stav ochrany](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.cs.png)
+
+Zdá se, že neexistuje dobrá korelace mezi minimálním rozpětím křídel a stavem ochrany. Otestujte další prvky datové sady pomocí této metody. Můžete také vyzkoušet různé filtry. Najdete nějakou korelaci?
+
+## Hustotní grafy
+
+Možná jste si všimli, že histogramy, které jsme dosud viděli, jsou „krokové“ a neplynou hladce v oblouku. Chcete-li zobrazit hladší hustotní graf, můžete zkusit hustotní graf.
+
+Pro práci s hustotními grafy se seznamte s novou knihovnou pro vykreslování, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Načtením Seaborn zkuste základní hustotní graf:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Hustotní graf](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.cs.png)
+
+Vidíte, jak graf odráží ten předchozí pro data o minimálním rozpětí křídel; je jen trochu hladší. Podle dokumentace Seaborn „ve srovnání s histogramem může KDE vytvořit graf, který je méně přeplněný a lépe interpretovatelný, zejména při vykreslování více distribucí. Ale má potenciál zavést zkreslení, pokud je základní distribuce ohraničená nebo není hladká. Stejně jako histogram kvalita reprezentace také závisí na výběru dobrých parametrů vyhlazení." [zdroj](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Jinými slovy, odlehlé hodnoty jako vždy způsobí, že se vaše grafy budou chovat špatně.
+
+Pokud byste chtěli znovu navštívit tu zubatou linii MaxBodyMass v druhém grafu, který jste vytvořili, mohli byste ji velmi dobře vyhladit tím, že ji znovu vytvoříte pomocí této metody:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![hladká linie tělesné hmotnosti](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.cs.png)
+
+Pokud byste chtěli hladkou, ale ne příliš hladkou linii, upravte parametr `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![méně hladká linie tělesné hmotnosti](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.cs.png)
+
+✅ Přečtěte si o dostupných parametrech pro tento typ grafu a experimentujte!
+
+Tento typ grafu nabízí krásně vysvětlující vizualizace. S několika řádky kódu můžete například zobrazit hustotu maximální tělesné hmotnosti podle řádu ptáků:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![tělesná hmotnost podle řádu](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.cs.png)
+
+Můžete také mapovat hustotu několika proměnných v jednom grafu. Otestujte maximální a minimální délku ptáka ve srovnání s jeho stavem ochrany:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![více hustot, překryté](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.cs.png)
+
+Možná stojí za to prozkoumat, zda je shluk „zranitelných“ ptáků podle jejich délek významný nebo ne.
+
+## 🚀 Výzva
+
+Histogramy jsou sofistikovanější typ grafu než základní bodové grafy, sloupcové grafy nebo čárové grafy. Vyhledejte na internetu dobré příklady použití histogramů. Jak se používají, co ukazují a v jakých oborech nebo oblastech zkoumání se obvykle používají?
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Přehled a samostudium
+
+V této lekci jste použili Matplotlib a začali pracovat se Seabornem, abyste zobrazili sofistikovanější grafy. Proveďte výzkum `kdeplot` v Seabornu, „kontinuální křivky pravděpodobnostní hustoty v jedné nebo více dimenzích“. Přečtěte si [dokumentaci](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), abyste pochopili, jak funguje.
+
+## Úkol
+
+[Uplatněte své dovednosti](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/cs/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..25f3827b
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:52:47+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Uplatněte své dovednosti
+
+## Pokyny
+
+Doposud jste pracovali s datasetem ptáků z Minnesoty, abyste objevili informace o množství ptáků a hustotě populace. Procvičte si aplikaci těchto technik na jiném datasetu, který můžete například získat z [Kaggle](https://www.kaggle.com/). Vytvořte notebook, který vypráví příběh o tomto datasetu, a nezapomeňte použít histogramy při jeho analýze.
+
+## Hodnocení
+
+Vynikající | Dostatečné | Potřebuje zlepšení
+--- | --- | -- |
+Notebook obsahuje poznámky o tomto datasetu, včetně jeho zdroje, a využívá alespoň 5 histogramů k objevování faktů o datech. | Notebook obsahuje neúplné poznámky nebo chyby. | Notebook neobsahuje poznámky a obsahuje chyby.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme zodpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/11-visualization-proportions/README.md b/translations/cs/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..99b30eae
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:28:30+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace poměrů
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizace poměrů - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V této lekci použijete dataset zaměřený na přírodu k vizualizaci poměrů, například kolik různých druhů hub se nachází v daném datasetu o houbách. Pojďme prozkoumat tyto fascinující houby pomocí datasetu od Audubon, který obsahuje podrobnosti o 23 druzích lupenatých hub z rodů Agaricus a Lepiota. Budete experimentovat s chutnými vizualizacemi, jako jsou:
+
+- Koláčové grafy 🥧
+- Donutové grafy 🍩
+- Waflové grafy 🧇
+
+> 💡 Velmi zajímavý projekt [Charticulator](https://charticulator.com) od Microsoft Research nabízí bezplatné rozhraní pro vizualizaci dat pomocí drag and drop. V jednom z jejich tutoriálů také používají tento dataset o houbách! Můžete tedy prozkoumat data a zároveň se naučit používat tuto knihovnu: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Poznejte své houby 🍄
+
+Houby jsou velmi zajímavé. Importujme dataset, abychom je mohli studovat:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+Tabulka se vytiskne s některými skvělými daty pro analýzu:
+
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Poisonous | Convex    | Smooth      | Brown     | Bruises | Pungent | Free            | Close        | Narrow    | Black      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Black      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Grasses |
+| Edible    | Bell      | Smooth      | White     | Bruises | Anise   | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Meadows |
+| Poisonous | Convex    | Scaly       | White     | Bruises | Pungent | Free            | Close        | Narrow    | Brown      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+
+Hned si všimnete, že všechna data jsou textová. Budete je muset převést, abyste je mohli použít v grafu. Většina dat je ve skutečnosti reprezentována jako objekt:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+Výstup je:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+Vezměte tato data a převeďte sloupec 'class' na kategorii:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+Nyní, pokud vytisknete data o houbách, uvidíte, že byla rozdělena do kategorií podle jedlých/jedovatých tříd:
+
+
+|           | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| class     |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| Edible    | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| Poisonous | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+Pokud budete postupovat podle pořadí uvedeného v této tabulce při vytváření štítků kategorií, můžete vytvořit koláčový graf:
+
+## Koláč!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+Voila, koláčový graf zobrazující poměry těchto dat podle dvou tříd hub. Je velmi důležité správně nastavit pořadí štítků, zejména zde, takže si ověřte pořadí, ve kterém je pole štítků vytvořeno!
+
+![koláčový graf](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.cs.png)
+
+## Donuty!
+
+Poněkud vizuálně zajímavější koláčový graf je donutový graf, což je koláčový graf s dírou uprostřed. Podívejme se na naše data pomocí této metody.
+
+Podívejte se na různá stanoviště, kde houby rostou:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+Zde seskupujete data podle stanoviště. Je jich uvedeno 7, takže je použijte jako štítky pro svůj donutový graf:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![donutový graf](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.cs.png)
+
+Tento kód vykreslí graf a středový kruh, poté přidá tento středový kruh do grafu. Upravte šířku středového kruhu změnou hodnoty `0.40` na jinou.
+
+Donutové grafy lze upravit několika způsoby, například změnou štítků. Štítky lze zejména zvýraznit pro lepší čitelnost. Více se dozvíte v [dokumentaci](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Nyní, když víte, jak seskupit data a zobrazit je jako koláč nebo donut, můžete prozkoumat další typy grafů. Vyzkoušejte waflový graf, což je jen jiný způsob zobrazení množství.
+## Wafle!
+
+Waflový graf je jiný způsob vizualizace množství jako 2D pole čtverců. Zkuste vizualizovat různé množství barev klobouků hub v tomto datasetu. K tomu je potřeba nainstalovat pomocnou knihovnu [PyWaffle](https://pypi.org/project/pywaffle/) a použít Matplotlib:
+
+```python
+pip install pywaffle
+```
+
+Vyberte segment svých dat pro seskupení:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+Vytvořte waflový graf vytvořením štítků a následným seskupením dat:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+Pomocí waflového grafu můžete jasně vidět poměry barev klobouků v tomto datasetu hub. Zajímavé je, že existuje mnoho hub se zelenými klobouky!
+
+![waflový graf](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.cs.png)
+
+✅ PyWaffle podporuje ikony v grafech, které využívají jakoukoli ikonu dostupnou v [Font Awesome](https://fontawesome.com/). Udělejte několik experimentů a vytvořte ještě zajímavější waflový graf pomocí ikon místo čtverců.
+
+V této lekci jste se naučili tři způsoby vizualizace poměrů. Nejprve je potřeba seskupit data do kategorií a poté rozhodnout, který způsob zobrazení dat je nejlepší - koláč, donut nebo wafle. Všechny jsou chutné a poskytují uživateli okamžitý přehled o datasetu.
+
+## 🚀 Výzva
+
+Zkuste znovu vytvořit tyto chutné grafy v [Charticulator](https://charticulator.com).
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Přehled & Samostudium
+
+Někdy není zřejmé, kdy použít koláčový, donutový nebo waflový graf. Zde je několik článků, které si můžete přečíst na toto téma:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Proveďte výzkum a najděte více informací o tomto nelehkém rozhodování.
+## Úkol
+
+[Vyzkoušejte to v Excelu](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/cs/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..d4f624db
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:30:51+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Vyzkoušejte to v Excelu
+
+## Pokyny
+
+Věděli jste, že v Excelu můžete vytvořit prstencové, koláčové a vaflové grafy? Pomocí libovolné datové sady vytvořte tyto tři grafy přímo v tabulce Excelu.
+
+## Hodnocení
+
+| Vynikající                                             | Přiměřené                                       | Potřebuje zlepšení                                   |
+| ------------------------------------------------------ | ----------------------------------------------- | --------------------------------------------------- |
+| Je předložena tabulka Excel se všemi třemi grafy       | Je předložena tabulka Excel se dvěma grafy      | Je předložena tabulka Excel s pouze jedním grafem   |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/12-visualization-relationships/README.md b/translations/cs/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..43a81b51
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:54:36+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace vztahů: Vše o medu 🍯
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizace vztahů - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Pokračujeme v přírodním zaměření našeho výzkumu a objevujeme zajímavé vizualizace, které ukazují vztahy mezi různými typy medu podle datové sady od [Ministerstva zemědělství Spojených států](https://www.nass.usda.gov/About_NASS/index.php).
+
+Tato datová sada obsahuje přibližně 600 položek a zobrazuje produkci medu v mnoha státech USA. Například můžete sledovat počet včelstev, výnos na včelstvo, celkovou produkci, zásoby, cenu za libru a hodnotu medu vyprodukovaného v daném státě v letech 1998–2012, přičemž každý řádek odpovídá jednomu roku pro každý stát.
+
+Bude zajímavé vizualizovat vztah mezi produkcí medu v daném státě za rok a například cenou medu v tomto státě. Alternativně můžete vizualizovat vztah mezi výnosem medu na včelstvo v jednotlivých státech. Toto časové období zahrnuje devastující „CCD“ neboli „Colony Collapse Disorder“, poprvé zaznamenané v roce 2006 (http://npic.orst.edu/envir/ccd.html), což z této datové sady činí poutavý předmět ke studiu. 🐝
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+V této lekci můžete použít knihovnu Seaborn, kterou jste již dříve používali, jako skvělý nástroj pro vizualizaci vztahů mezi proměnnými. Zvláště zajímavá je funkce `relplot` v Seabornu, která umožňuje rychle vytvářet bodové a čárové grafy pro vizualizaci '[statistických vztahů](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', což datovým vědcům pomáhá lépe pochopit, jak spolu proměnné souvisejí.
+
+## Bodové grafy
+
+Použijte bodový graf k zobrazení, jak se cena medu vyvíjela rok od roku v jednotlivých státech. Seaborn, díky funkci `relplot`, pohodlně seskupuje data podle států a zobrazuje datové body pro kategorická i číselná data.
+
+Začněme importem dat a knihovny Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Všimnete si, že data o medu obsahují několik zajímavých sloupců, včetně roku a ceny za libru. Prozkoumejme tato data seskupená podle států USA:
+
+| stát | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+Vytvořte základní bodový graf, který ukazuje vztah mezi cenou za libru medu a státem jeho původu. Udělejte osu `y` dostatečně vysokou, aby zobrazila všechny státy:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![bodový graf 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.cs.png)
+
+Nyní zobrazte stejná data s barevným schématem medu, které ukazuje, jak se cena vyvíjí v průběhu let. Toho můžete dosáhnout přidáním parametru 'hue', který ukazuje změnu rok od roku:
+
+> ✅ Více o [barevných paletách, které můžete použít v Seabornu](https://seaborn.pydata.org/tutorial/color_palettes.html) - vyzkoušejte krásné duhové barevné schéma!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![bodový graf 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.cs.png)
+
+S touto změnou barevného schématu je zřejmé, že v průběhu let dochází k výraznému nárůstu ceny medu za libru. Pokud se podíváte na vzorek dat (například stát Arizona), můžete vidět vzorec zvyšování cen rok od roku, s několika výjimkami:
+
+| stát | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Dalším způsobem vizualizace tohoto vývoje je použití velikosti místo barvy. Pro uživatele s poruchou barevného vidění by to mohla být lepší volba. Upravte svou vizualizaci tak, aby ukazovala nárůst ceny zvětšením obvodu bodů:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Vidíte, že velikost bodů se postupně zvětšuje.
+
+![bodový graf 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.cs.png)
+
+Je to jednoduchý případ nabídky a poptávky? Kvůli faktorům, jako je změna klimatu a kolaps včelstev, je k dispozici méně medu k prodeji rok od roku, a proto cena stoupá?
+
+Abychom objevili korelaci mezi některými proměnnými v této datové sadě, prozkoumejme čárové grafy.
+
+## Čárové grafy
+
+Otázka: Je jasný nárůst ceny medu za libru rok od roku? Nejjednodušeji to zjistíte vytvořením jednoho čárového grafu:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Odpověď: Ano, s několika výjimkami kolem roku 2003:
+
+![čárový graf 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.cs.png)
+
+✅ Protože Seaborn agreguje data kolem jedné čáry, zobrazuje „vícenásobná měření pro každou hodnotu x tím, že vykresluje průměr a 95% interval spolehlivosti kolem průměru“. [Zdroj](https://seaborn.pydata.org/tutorial/relational.html). Toto časově náročné chování lze deaktivovat přidáním `ci=None`.
+
+Otázka: No, v roce 2003 můžeme také vidět nárůst zásob medu? Co když se podíváte na celkovou produkci rok od roku?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![čárový graf 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.cs.png)
+
+Odpověď: Ani ne. Pokud se podíváte na celkovou produkci, zdá se, že v tomto konkrétním roce skutečně vzrostla, i když obecně množství vyprodukovaného medu v těchto letech klesá.
+
+Otázka: V tom případě, co mohlo způsobit nárůst ceny medu kolem roku 2003?
+
+Abychom to zjistili, můžeme prozkoumat mřížku facetů.
+
+## Mřížky facetů
+
+Mřížky facetů berou jednu část vaší datové sady (v našem případě můžete zvolit 'rok', abyste se vyhnuli příliš mnoha vytvořeným facetům). Seaborn pak vytvoří graf pro každý z těchto facetů podle zvolených souřadnic x a y pro snadnější vizuální porovnání. Vyniká rok 2003 v tomto typu porovnání?
+
+Vytvořte mřížku facetů pomocí funkce `relplot`, jak doporučuje [dokumentace Seabornu](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid).
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+V této vizualizaci můžete porovnat výnos na včelstvo a počet včelstev rok od roku vedle sebe s nastavením wrap na 3 pro sloupce:
+
+![mřížka facetů](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.cs.png)
+
+Pro tuto datovou sadu nic zvláštního nevyniká, pokud jde o počet včelstev a jejich výnos rok od roku a stát od státu. Existuje jiný způsob, jak hledat korelaci mezi těmito dvěma proměnnými?
+
+## Dvojité čárové grafy
+
+Vyzkoušejte vícenásobný čárový graf překrytím dvou čárových grafů na sebe, pomocí funkce Seaborn 'despine' k odstranění horních a pravých os a použitím `ax.twinx` [odvozeného z Matplotlibu](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx umožňuje grafu sdílet osu x a zobrazit dvě osy y. Zobrazte výnos na včelstvo a počet včelstev překryté:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![překryté grafy](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.cs.png)
+
+I když kolem roku 2003 nic výrazně nevyniká, umožňuje nám to zakončit tuto lekci na trochu pozitivnější notě: i když celkově počet včelstev klesá, jejich počet se stabilizuje, i když jejich výnos na včelstvo klesá.
+
+Jen tak dál, včely!
+
+🐝❤️
+## 🚀 Výzva
+
+V této lekci jste se dozvěděli více o dalších využitích bodových grafů a mřížek facetů, včetně mřížek facetů. Vyzkoušejte si vytvořit mřížku facetů pomocí jiné datové sady, možná jedné, kterou jste použili před těmito lekcemi. Všimněte si, jak dlouho trvá jejich vytvoření a jak musíte být opatrní ohledně počtu mřížek, které potřebujete vykreslit pomocí těchto technik.
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Přehled & Samostudium
+
+Čárové grafy mohou být jednoduché nebo poměrně složité. Přečtěte si něco více v [dokumentaci Seabornu](https://seaborn.pydata.org/generated/seaborn.lineplot.html) o různých způsobech, jak je můžete vytvořit. Zkuste vylepšit čárové grafy, které jste vytvořili v této lekci, pomocí dalších metod uvedených v dokumentaci.
+## Úkol
+
+[Ponořte se do úlu](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/cs/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..e59425ea
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:37+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Ponořte se do úlu
+
+## Instrukce
+
+V této lekci jste začali zkoumat dataset týkající se včel a jejich produkce medu během období, kdy došlo k celkovému úbytku včelích kolonií. Prozkoumejte tento dataset hlouběji a vytvořte notebook, který dokáže vyprávět příběh o zdraví včelí populace, stát po státu a rok po roce. Objevíte v tomto datasetu něco zajímavého?
+
+## Hodnocení
+
+| Vynikající                                                                                                                                              | Přiměřené                               | Potřebuje zlepšení                       |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | ---------------------------------------- |
+| Notebook obsahuje příběh doplněný alespoň třemi různými grafy, které ukazují aspekty datasetu, stát po státu a rok po roce                              | Notebook postrádá jeden z těchto prvků | Notebook postrádá dva z těchto prvků    |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..744d6f31
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:43:58+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "cs"
+}
+-->
+# Vytváření smysluplných vizualizací
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Smysluplné vizualizace - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+> "Pokud budete data mučit dostatečně dlouho, přiznají cokoliv" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Jednou ze základních dovedností datového vědce je schopnost vytvořit smysluplnou vizualizaci dat, která pomůže odpovědět na otázky, které máte. Před vizualizací dat je nutné zajistit, že byla vyčištěna a připravena, jak jste se naučili v předchozích lekcích. Poté můžete začít rozhodovat, jak nejlépe data prezentovat.
+
+V této lekci si projdete:
+
+1. Jak vybrat správný typ grafu
+2. Jak se vyhnout klamavým grafům
+3. Jak pracovat s barvami
+4. Jak stylizovat grafy pro lepší čitelnost
+5. Jak vytvořit animované nebo 3D grafy
+6. Jak vytvořit kreativní vizualizaci
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Vyberte správný typ grafu
+
+V předchozích lekcích jste experimentovali s vytvářením různých zajímavých vizualizací dat pomocí knihoven Matplotlib a Seaborn. Obecně můžete vybrat [správný typ grafu](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pro otázku, kterou si kladete, pomocí této tabulky:
+
+| Potřebujete:               | Měli byste použít:             |
+| -------------------------- | ----------------------------- |
+| Ukázat trendy v čase       | Čárový graf                   |
+| Porovnat kategorie         | Sloupcový, Koláčový graf      |
+| Porovnat celkové hodnoty   | Koláčový, Stohovaný sloupcový |
+| Ukázat vztahy              | Bodový, Čárový, Facet, Dvojitý čárový |
+| Ukázat rozložení           | Bodový, Histogram, Boxplot    |
+| Ukázat proporce            | Koláčový, Donut, Waffle       |
+
+> ✅ V závislosti na složení vašich dat může být nutné převést je z textového formátu na číselný, aby graf podporoval jejich zobrazení.
+
+## Vyhněte se klamání
+
+I když datový vědec pečlivě vybere správný graf pro správná data, existuje mnoho způsobů, jak mohou být data zobrazena tak, aby podporovala určitý názor, často na úkor samotných dat. Existuje mnoho příkladů klamavých grafů a infografik!
+
+[![Jak grafy lžou od Alberta Caira](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.cs.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Jak grafy lžou")
+
+> 🎥 Klikněte na obrázek výše pro konferenční přednášku o klamavých grafech
+
+Tento graf obrací osu X, aby ukázal opak pravdy na základě data:
+
+![špatný graf 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.cs.png)
+
+[Tento graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je ještě klamavější, protože oko je přitahováno doprava, aby dospělo k závěru, že počet případů COVIDu v různých okresech v průběhu času klesal. Ve skutečnosti, pokud se podíváte blíže na data, zjistíte, že byla přeskupena, aby vytvořila klamavý sestupný trend.
+
+![špatný graf 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.cs.jpg)
+
+Tento notoricky známý příklad používá barvy A obrácenou osu Y k oklamání: místo závěru, že počet úmrtí na střelné zbraně vzrostl po přijetí zákonů podporujících zbraně, je oko oklamáno, aby si myslelo, že opak je pravdou:
+
+![špatný graf 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.cs.jpg)
+
+Tento podivný graf ukazuje, jak lze manipulovat s proporcemi, a to k humornému efektu:
+
+![špatný graf 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.cs.jpg)
+
+Porovnávání neporovnatelného je další pochybný trik. Existuje [úžasná webová stránka](https://tylervigen.com/spurious-correlations) plná 'spurious correlations', která zobrazuje 'fakta' korelující například míru rozvodovosti v Maine a spotřebu margarínu. Skupina na Redditu také sbírá [ošklivé použití](https://www.reddit.com/r/dataisugly/top/?t=all) dat.
+
+Je důležité pochopit, jak snadno může být oko oklamáno klamavými grafy. I když má datový vědec dobré úmysly, volba špatného typu grafu, například koláčového grafu s příliš mnoha kategoriemi, může být klamavá.
+
+## Barvy
+
+V grafu 'Florida gun violence' výše jste viděli, jak barva může přidat další vrstvu významu grafům, zejména těm, které nejsou navrženy pomocí knihoven jako Matplotlib a Seaborn, které obsahují různé ověřené barevné knihovny a palety. Pokud vytváříte graf ručně, věnujte trochu času studiu [teorie barev](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Při navrhování grafů mějte na paměti, že přístupnost je důležitým aspektem vizualizace. Někteří vaši uživatelé mohou být barvoslepí - zobrazuje se váš graf dobře pro uživatele se zrakovým postižením?
+
+Buďte opatrní při výběru barev pro váš graf, protože barva může přenášet význam, který jste neměli v úmyslu. 'Růžové dámy' v grafu 'výška' výše přenášejí výrazně 'ženský' přisuzovaný význam, který přidává k bizarnosti samotného grafu.
+
+Zatímco [význam barev](https://colormatters.com/color-symbolism/the-meanings-of-colors) může být různý v různých částech světa a má tendenci se měnit podle odstínu, obecně platí následující významy barev:
+
+| Barva  | Význam             |
+| ------ | ------------------ |
+| červená| síla               |
+| modrá  | důvěra, loajalita  |
+| žlutá  | štěstí, opatrnost  |
+| zelená | ekologie, štěstí, závist |
+| fialová| štěstí             |
+| oranžová| živost            |
+
+Pokud máte za úkol vytvořit graf s vlastními barvami, zajistěte, aby vaše grafy byly přístupné a barva, kterou vyberete, odpovídala významu, který se snažíte sdělit.
+
+## Stylizace grafů pro čitelnost
+
+Grafy nejsou smysluplné, pokud nejsou čitelné! Věnujte chvíli úvaze o stylizaci šířky a výšky grafu tak, aby dobře odpovídaly vašim datům. Pokud je třeba zobrazit jednu proměnnou (například všech 50 států), zobrazte je vertikálně na ose Y, pokud je to možné, abyste se vyhnuli horizontálně posouvatelnému grafu.
+
+Označte osy, poskytněte legendu, pokud je to nutné, a nabídněte tooltipy pro lepší pochopení dat.
+
+Pokud jsou vaše data textová a na ose X příliš dlouhá, můžete text naklonit pro lepší čitelnost. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) nabízí 3D vykreslování, pokud vaše data podporují tento formát. Sofistikované vizualizace dat lze vytvořit pomocí `mpl_toolkits.mplot3d`.
+
+![3D grafy](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.cs.png)
+
+## Animace a 3D zobrazení grafů
+
+Některé z nejlepších vizualizací dat dnes jsou animované. Shirley Wu vytvořila úžasné vizualizace pomocí D3, například '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kde každá květina představuje vizualizaci filmu. Dalším příkladem pro Guardian je 'bussed out', interaktivní zážitek kombinující vizualizace s Greensock a D3 plus formát článku typu scrollytelling, který ukazuje, jak NYC řeší problém bezdomovectví tím, že lidi odváží z města.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.cs.png)
+
+> "Bussed Out: Jak Amerika přesouvá své bezdomovce" od [Guardianu](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizace od Nadieh Bremer & Shirley Wu
+
+I když tato lekce není dostatečně podrobná, aby vás naučila používat tyto výkonné knihovny pro vizualizaci, zkuste si vytvořit vizualizaci pomocí D3 v aplikaci Vue.js pomocí knihovny, která zobrazuje vizualizaci knihy "Nebezpečné známosti" jako animovanou sociální síť.
+
+> "Les Liaisons Dangereuses" je epistolární román, tedy román prezentovaný jako série dopisů. Napsaný v roce 1782 Choderlosem de Laclos, vypráví příběh zlomyslných, morálně zkažených společenských manévrů dvou soupeřících protagonistů francouzské aristokracie na konci 18. století, vikomta de Valmont a markýzy de Merteuil. Oba nakonec přijdou o život, ale ne bez způsobení značného společenského poškození. Román se odvíjí jako série dopisů psaných různým lidem v jejich kruzích, plánujících pomstu nebo prostě jen způsobení problémů. Vytvořte vizualizaci těchto dopisů, abyste objevili hlavní postavy příběhu vizuálně.
+
+Dokončíte webovou aplikaci, která zobrazí animovaný pohled na tuto sociální síť. Používá knihovnu, která byla vytvořena pro [vizualizaci sítě](https://github.com/emiliorizzo/vue-d3-network) pomocí Vue.js a D3. Když aplikace běží, můžete uzly na obrazovce přetahovat a měnit jejich uspořádání.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.cs.png)
+
+## Projekt: Vytvořte graf zobrazující síť pomocí D3.js
+
+> Tato složka lekce obsahuje složku `solution`, kde najdete dokončený projekt pro vaši referenci.
+
+1. Postupujte podle pokynů v souboru README.md v kořenové složce startovacího projektu. Ujistěte se, že máte na svém počítači nainstalovaný NPM a Node.js před instalací závislostí projektu.
+
+2. Otevřete složku `starter/src`. Najdete složku `assets`, kde je .json soubor obsahující všechny dopisy z románu, očíslované, s anotací 'to' a 'from'.
+
+3. Dokončete kód v `components/Nodes.vue`, abyste umožnili vizualizaci. Najděte metodu nazvanou `createLinks()` a přidejte následující vnořenou smyčku.
+
+Projděte objekt .json, abyste zachytili data 'to' a 'from' pro dopisy a vytvořili objekt `links`, který může knihovna pro vizualizaci spotřebovat:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Spusťte svou aplikaci z terminálu (npm run serve) a užijte si vizualizaci!
+
+## 🚀 Výzva
+
+Prozkoumejte internet a objevte klamavé vizualizace. Jak autor klame uživatele a je to úmyslné? Zkuste vizualizace opravit, aby ukázaly, jak by měly vypadat.
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Přehled & Samostudium
+
+Zde jsou některé články o klamavých vizualizacích dat:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Podívejte se na tyto zajímavé vizualizace historických aktiv a artefaktů:
+
+https://handbook.pubpub.org/
+
+Projděte si tento článek o tom, jak animace může zlepšit vaše vizualizace:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Úkol
+
+[Vytvořte vlastní vizualizaci](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..1d15856b
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:47:11+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Vytvořte si vlastní vizualizaci
+
+## Pokyny
+
+Použijte ukázkový kód z tohoto projektu k vytvoření sociální sítě a vytvořte vlastní data o svých sociálních interakcích. Můžete zmapovat své používání sociálních médií nebo vytvořit diagram členů vaší rodiny. Vytvořte zajímavou webovou aplikaci, která ukazuje jedinečnou vizualizaci sociální sítě.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | -- |
+Je předložen GitHub repozitář s kódem, který správně funguje (zkuste jej nasadit jako statickou webovou aplikaci) a obsahuje anotovaný README soubor vysvětlující projekt | Repozitář nefunguje správně nebo není dobře zdokumentován | Repozitář nefunguje správně a není dobře zdokumentován
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..bb10d73b
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:33+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "cs"
+}
+-->
+# Projekt vizualizace dat Dangerous Liaisons
+
+Abyste mohli začít, ujistěte se, že máte na svém počítači nainstalované NPM a Node. Nainstalujte závislosti (npm install) a poté spusťte projekt lokálně (npm run serve):
+
+## Nastavení projektu
+```
+npm install
+```
+
+### Kompilace a automatické znovunačítání pro vývoj
+```
+npm run serve
+```
+
+### Kompilace a minimalizace pro produkci
+```
+npm run build
+```
+
+### Kontrola a oprava souborů
+```
+npm run lint
+```
+
+### Přizpůsobení konfigurace
+Podívejte se na [Konfigurační referenci](https://cli.vuejs.org/config/).
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..353be2de
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:47:54+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "cs"
+}
+-->
+# Projekt vizualizace dat Dangerous Liaisons
+
+Než začnete, ujistěte se, že máte na svém počítači nainstalované NPM a Node. Nainstalujte závislosti (npm install) a poté spusťte projekt lokálně (npm run serve):
+
+## Nastavení projektu
+```
+npm install
+```
+
+### Kompilace a automatické obnovení pro vývoj
+```
+npm run serve
+```
+
+### Kompilace a minimalizace pro produkci
+```
+npm run build
+```
+
+### Kontrola a oprava souborů
+```
+npm run lint
+```
+
+### Přizpůsobení konfigurace
+Podívejte se na [Konfigurační referenci](https://cli.vuejs.org/config/).
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/cs/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..40e08848
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,230 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:08:32+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace množství
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizace množství - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V této lekci se naučíte, jak používat některé z mnoha dostupných knihoven balíčků R k vytváření zajímavých vizualizací zaměřených na koncept množství. Pomocí vyčištěného datasetu o ptácích z Minnesoty se můžete dozvědět mnoho zajímavých faktů o místní fauně.  
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Pozorování rozpětí křídel pomocí ggplot2
+Vynikající knihovna pro vytváření jednoduchých i sofistikovaných grafů a diagramů různých typů je [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Obecně proces vytváření grafů pomocí těchto knihoven zahrnuje identifikaci částí vašeho dataframe, které chcete cílit, provedení potřebných transformací dat, přiřazení hodnot os x a y, rozhodnutí o typu grafu a následné zobrazení grafu.
+
+`ggplot2` je systém pro deklarativní vytváření grafiky založený na Gramatice grafiky. [Gramatika grafiky](https://en.wikipedia.org/wiki/Ggplot2) je obecné schéma pro vizualizaci dat, které rozděluje grafy na sémantické komponenty, jako jsou měřítka a vrstvy. Jinými slovy, snadnost vytváření grafů a diagramů pro jednorozměrná nebo vícerozměrná data s minimálním množstvím kódu činí z `ggplot2` nejoblíbenější balíček používaný pro vizualizace v R. Uživatel určuje, jak `ggplot2` mapuje proměnné na estetiku, grafické prvky, které se mají použít, a `ggplot2` se postará o zbytek.
+
+> ✅ Graf = Data + Estetika + Geometrie  
+> - Data odkazují na dataset  
+> - Estetika označuje proměnné, které se mají studovat (proměnné x a y)  
+> - Geometrie odkazuje na typ grafu (čárový graf, sloupcový graf, atd.)  
+
+Vyberte nejlepší geometrii (typ grafu) podle vašich dat a příběhu, který chcete grafem vyprávět.  
+
+> - Pro analýzu trendů: čárový, sloupcový  
+> - Pro porovnání hodnot: sloupcový, koláčový, bodový graf  
+> - Pro zobrazení vztahu částí k celku: koláčový  
+> - Pro zobrazení distribuce dat: bodový graf, sloupcový  
+> - Pro zobrazení vztahů mezi hodnotami: čárový, bodový graf, bublinový  
+
+✅ Můžete se také podívat na tento popisný [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) pro ggplot2.
+
+## Vytvoření čárového grafu hodnot rozpětí křídel ptáků
+
+Otevřete konzoli R a importujte dataset.  
+> Poznámka: Dataset je uložen v kořenovém adresáři tohoto repozitáře ve složce `/data`.
+
+Importujte dataset a podívejte se na jeho hlavičku (prvních 5 řádků dat).
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+Hlavička dat obsahuje směs textu a čísel:
+
+|      | Název                        | VědeckýNázev           | Kategorie             | Řád          | Čeleď    | Rod         | StavOchrany         | MinDélka | MaxDélka | MinHmotnost | MaxHmotnost | MinRozpětí | MaxRozpětí |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Černobřichá pižmovka         | Dendrocygna autumnalis | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Pižmovka rezavá              | Dendrocygna bicolor    | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Sněžná husa                  | Anser caerulescens     | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova husa                 | Anser rossii           | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Husa běločelá                | Anser albifrons        | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Začněme vykreslením některých číselných dat pomocí základního čárového grafu. Předpokládejme, že chcete zobrazit maximální rozpětí křídel těchto zajímavých ptáků.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Zde nainstalujete balíček `ggplot2` a poté jej importujete do pracovního prostoru pomocí příkazu `library("ggplot2")`. Pro vykreslení jakéhokoliv grafu v ggplot se používá funkce `ggplot()` a vy specifikujete dataset, proměnné x a y jako atributy. V tomto případě použijeme funkci `geom_line()`, protože chceme vykreslit čárový graf.
+
+![MaxRozpětí-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.cs.png)
+
+Co si okamžitě všimnete? Zdá se, že existuje alespoň jeden odlehlý bod - to je docela rozpětí křídel! Rozpětí křídel přesahující 2000 centimetrů odpovídá více než 20 metrům - potulují se v Minnesotě pterodaktylové? Pojďme to prozkoumat.
+
+Zatímco byste mohli rychle seřadit data v Excelu a najít tyto odlehlé body, které jsou pravděpodobně překlepy, pokračujte ve vizualizačním procesu přímo z grafu.
+
+Přidejte popisky na osu x, aby bylo vidět, o jaké ptáky se jedná:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+Specifikujeme úhel v `theme` a specifikujeme popisky os x a y pomocí `xlab()` a `ylab()` respektive. Funkce `ggtitle()` dává grafu/jednotce název.
+
+![MaxRozpětí-lineplot-vylepšený](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.cs.png)
+
+I při rotaci popisků na 45 stupňů je jich příliš mnoho na čtení. Zkusme jinou strategii: označme pouze odlehlé body a nastavme popisky přímo v grafu. Můžete použít bodový graf, abyste vytvořili více prostoru pro popisky:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+Co se zde děje? Použili jste funkci `geom_point()` k vykreslení bodů. S tím jste přidali popisky pro ptáky, kteří měli `MaxRozpětí > 500`, a také skryli popisky na ose x, aby byl graf přehlednější.
+
+Co objevíte?
+
+![MaxRozpětí-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.cs.png)
+
+## Filtrování dat
+
+Jak orel bělohlavý, tak sokol prériový, i když pravděpodobně velmi velcí ptáci, se zdají být chybně označeni, s přidanou nulou k jejich maximálnímu rozpětí křídel. Je nepravděpodobné, že byste potkali orla bělohlavého s rozpětím křídel 25 metrů, ale pokud ano, dejte nám vědět! Vytvořme nový dataframe bez těchto dvou odlehlých bodů:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Vytvořili jsme nový dataframe `birds_filtered` a poté vykreslili bodový graf. Filtrováním odlehlých bodů jsou vaše data nyní soudržnější a srozumitelnější.
+
+![MaxRozpětí-scatterplot-vylepšený](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.cs.png)
+
+Nyní, když máme čistší dataset alespoň z hlediska rozpětí křídel, pojďme objevit více o těchto ptácích.
+
+Zatímco čárové a bodové grafy mohou zobrazovat informace o hodnotách dat a jejich distribucích, chceme přemýšlet o hodnotách obsažených v tomto datasetu. Mohli byste vytvořit vizualizace, které odpoví na následující otázky o množství:
+
+> Kolik kategorií ptáků existuje a jaké jsou jejich počty?  
+> Kolik ptáků je vyhynulých, ohrožených, vzácných nebo běžných?  
+> Kolik je různých rodů a řádů podle terminologie Linnaeuse?  
+## Prozkoumání sloupcových grafů
+
+Sloupcové grafy jsou praktické, když potřebujete zobrazit seskupení dat. Pojďme prozkoumat kategorie ptáků, které existují v tomto datasetu, abychom zjistili, která je nejběžnější podle počtu.  
+Vytvořme sloupcový graf na filtrovaných datech.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+V následujícím úryvku instalujeme balíčky [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) a [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), které pomáhají manipulovat a seskupovat data za účelem vykreslení seskupeného sloupcového grafu. Nejprve seskupíte data podle `Kategorie` ptáků a poté shrnete sloupce `MinDélka`, `MaxDélka`, `MinHmotnost`, `MaxHmotnost`, `MinRozpětí`, `MaxRozpětí`. Poté vykreslíte sloupcový graf pomocí balíčku `ggplot2` a specifikujete barvy pro různé kategorie a popisky.
+
+![Seskupený sloupcový graf](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.cs.png)
+
+Tento sloupcový graf je však nečitelný, protože obsahuje příliš mnoho neseskupených dat. Musíte vybrat pouze data, která chcete vykreslit, takže se podívejme na délku ptáků podle jejich kategorie.
+
+Filtrovat data tak, aby obsahovala pouze kategorii ptáků.
+
+Protože existuje mnoho kategorií, můžete tento graf zobrazit vertikálně a upravit jeho výšku, aby zahrnoval všechna data:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Nejprve spočítáte unikátní hodnoty ve sloupci `Kategorie` a poté je seřadíte do nového dataframe `birds_count`. Tato seřazená data jsou poté faktorizována na stejné úrovni, aby byla vykreslena ve správném pořadí. Pomocí `ggplot2` poté vykreslíte data ve sloupcovém grafu. Funkce `coord_flip()` vykreslí horizontální sloupce.
+
+![Kategorie-délka](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.cs.png)
+
+Tento sloupcový graf poskytuje dobrý přehled o počtu ptáků v každé kategorii. Na první pohled vidíte, že největší počet ptáků v této oblasti patří do kategorie Kachny/Husy/Vodní ptáci. Minnesota je "země 10 000 jezer", takže to není překvapivé!
+
+✅ Vyzkoušejte některé další počty v tomto datasetu. Překvapí vás něco?
+
+## Porovnávání dat
+
+Můžete zkusit různé porovnání seskupených dat vytvořením nových os. Zkuste porovnání MaxDélky ptáků podle jejich kategorie:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Seskupíme data `birds_filtered` podle `Kategorie` a poté vykreslíme sloupcový graf.
+
+![Porovnávání dat](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.cs.png)
+
+Nic zde není překvapivé: kolibříci mají nejmenší MaxDélku ve srovnání s pelikány nebo husami. Je dobré, když data dávají logický smysl!
+
+Můžete vytvořit zajímavější vizualizace sloupcových grafů překrýváním dat. Pojďme překrýt Minimální a Maximální délku na dané kategorii ptáků:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![Překryté hodnoty](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.cs.png)
+
+## 🚀 Výzva
+
+Tento dataset ptáků nabízí bohatství informací o různých typech ptáků v konkrétním ekosystému. Prohledejte internet a zjistěte, zda najdete jiné datasety zaměřené na ptáky. Procvičte si vytváření grafů a diagramů kolem těchto ptáků, abyste objevili fakta, která jste si neuvědomovali.  
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Přehled & Samostudium
+
+Tato první lekce vám poskytla informace o tom, jak používat `ggplot2` k vizualizaci množství. Proveďte výzkum o dalších způsobech práce s datovými sadami pro vizualizaci. Prozkoumejte a vyhledejte datové sady, které byste mohli vizualizovat pomocí jiných balíčků, jako jsou [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) a [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Úkol  
+[Čáry, body a sloupce](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/cs/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..2ba11870
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:13:41+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Čáry, body a sloupce
+
+## Pokyny
+
+V této lekci jste pracovali s čárovými grafy, bodovými grafy a sloupcovými grafy, abyste ukázali zajímavé informace o tomto datasetu. V tomto úkolu se ponořte hlouběji do datasetu a objevte zajímavý fakt o daném druhu ptáka. Například vytvořte skript, který vizualizuje všechny zajímavé údaje, které můžete zjistit o husách sněžních. Použijte tři výše zmíněné grafy k vyprávění příběhu ve svém notebooku.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | --- |
+Skript je prezentován s dobrými poznámkami, silným příběhem a atraktivními grafy | Skriptu chybí jeden z těchto prvků | Skriptu chybí dva z těchto prvků
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/cs/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..1e1be0e9
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,183 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T16:59:42+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace distribucí
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizace distribucí - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V předchozí lekci jste se dozvěděli zajímavé informace o datasetu o ptácích z Minnesoty. Našli jste chybná data vizualizací odlehlých hodnot a podívali jste se na rozdíly mezi kategoriemi ptáků podle jejich maximální délky.
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Prozkoumejte dataset ptáků
+
+Dalším způsobem, jak se ponořit do dat, je podívat se na jejich distribuci, tedy na to, jak jsou data organizována podél osy. Možná by vás například zajímalo, jaká je obecná distribuce maximálního rozpětí křídel nebo maximální tělesné hmotnosti ptáků z Minnesoty v tomto datasetu.
+
+Pojďme objevit některá fakta o distribucích dat v tomto datasetu. Ve vašem R konzoli importujte `ggplot2` a databázi. Odstraňte odlehlé hodnoty z databáze stejně jako v předchozím tématu.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Název                        | VědeckýNázev           | Kategorie             | Řád          | Čeleď    | Rod         | StavOchrany         | MinDélka  | MaxDélka  | MinHmotnost | MaxHmotnost | MinRozpětíKřídel | MaxRozpětíKřídel |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | --------------: | --------------: |
+|    0 | Černobřichá pižmovka         | Dendrocygna autumnalis | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |              76 |              94 |
+|    1 | Pižmovka rezavá              | Dendrocygna bicolor    | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |              85 |              93 |
+|    2 | Sněžná husa                  | Anser caerulescens     | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |             135 |             165 |
+|    3 | Rossova husa                 | Anser rossii           | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |             113 |             116 |
+|    4 | Husa běločelá                | Anser albifrons        | Kachny/Husy/Vodní ptáci | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |             130 |             165 |
+
+Obecně můžete rychle zjistit, jak jsou data distribuována, pomocí bodového grafu, jak jsme to udělali v předchozí lekci:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![max délka podle řádu](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.cs.png)
+
+Tento graf poskytuje přehled o obecné distribuci délky těla podle řádu ptáků, ale není to optimální způsob, jak zobrazit skutečné distribuce. Tento úkol se obvykle řeší vytvořením histogramu.
+## Práce s histogramy
+
+`ggplot2` nabízí velmi dobré způsoby vizualizace distribuce dat pomocí histogramů. Tento typ grafu je podobný sloupcovému grafu, kde distribuci lze vidět prostřednictvím vzestupu a poklesu sloupců. Pro vytvoření histogramu potřebujete číselná data. Pro vytvoření histogramu můžete vykreslit graf, kde definujete typ jako 'hist' pro histogram. Tento graf ukazuje distribuci MaxBodyMass pro celý rozsah číselných dat v datasetu. Rozdělením pole dat na menší části může zobrazit distribuci hodnot dat:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![distribuce přes celý dataset](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.cs.png)
+
+Jak vidíte, většina z více než 400 ptáků v tomto datasetu spadá do rozsahu pod 2000 pro jejich maximální tělesnou hmotnost. Získejte více informací o datech změnou parametru `bins` na vyšší číslo, například 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![distribuce-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.cs.png)
+
+Tento graf ukazuje distribuci trochu podrobněji. Méně zkreslený graf by mohl být vytvořen tím, že zajistíte, že vyberete pouze data v daném rozsahu:
+
+Filtrovat data tak, aby zahrnovala pouze ptáky, jejichž tělesná hmotnost je pod 60, a zobrazit 30 `bins`:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![filtrovaný histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.cs.png)
+
+✅ Vyzkoušejte některé další filtry a datové body. Chcete-li vidět plnou distribuci dat, odstraňte filtr `['MaxBodyMass']`, abyste zobrazili označené distribuce.
+
+Histogram nabízí také pěkné barevné a popisné vylepšení, které můžete vyzkoušet:
+
+Vytvořte 2D histogram pro porovnání vztahu mezi dvěma distribucemi. Porovnejme `MaxBodyMass` vs. `MaxLength`. `ggplot2` nabízí vestavěný způsob, jak zobrazit konvergenci pomocí jasnějších barev:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Zdá se, že existuje očekávaná korelace mezi těmito dvěma prvky podél očekávané osy, s jedním obzvláště silným bodem konvergence:
+
+![2d graf](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.cs.png)
+
+Histogramy fungují dobře ve výchozím nastavení pro číselná data. Co když potřebujete vidět distribuce podle textových dat? 
+## Prozkoumejte dataset pro distribuce pomocí textových dat 
+
+Tento dataset také obsahuje dobré informace o kategorii ptáků, jejich rodu, druhu, čeledi a stavu ochrany. Pojďme se ponořit do těchto informací o ochraně. Jaká je distribuce ptáků podle jejich stavu ochrany?
+
+> ✅ V datasetu je použito několik zkratek k popisu stavu ochrany. Tyto zkratky pocházejí z [IUCN Red List Categories](https://www.iucnredlist.org/), organizace, která katalogizuje stav druhů.
+> 
+> - CR: Kriticky ohrožený
+> - EN: Ohrožený
+> - EX: Vyhynulý
+> - LC: Nejmenší obavy
+> - NT: Téměř ohrožený
+> - VU: Zranitelný
+
+Jedná se o textové hodnoty, takže budete muset provést transformaci, abyste vytvořili histogram. Pomocí dataframe `filteredBirds` zobrazte jeho stav ochrany vedle jeho minimálního rozpětí křídel. Co vidíte? 
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![rozpětí křídel a stav ochrany](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.cs.png)
+
+Zdá se, že neexistuje dobrá korelace mezi minimálním rozpětím křídel a stavem ochrany. Otestujte další prvky datasetu pomocí této metody. Můžete také vyzkoušet různé filtry. Najdete nějakou korelaci?
+
+## Hustotní grafy
+
+Možná jste si všimli, že histogramy, které jsme dosud viděli, jsou "krokové" a neplynou hladce v oblouku. Chcete-li zobrazit hladší hustotní graf, můžete zkusit hustotní graf.
+
+Pojďme nyní pracovat s hustotními grafy!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![hustotní graf](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.cs.png)
+
+Vidíte, jak graf odráží ten předchozí pro data o minimálním rozpětí křídel; je jen trochu hladší. Pokud byste chtěli znovu vytvořit tu zubatou linii MaxBodyMass z druhého grafu, který jste vytvořili, mohli byste ji velmi dobře vyhladit pomocí této metody:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![hustota tělesné hmotnosti](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.cs.png)
+
+Pokud byste chtěli hladkou, ale ne příliš hladkou linii, upravte parametr `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![méně hladká tělesná hmotnost](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.cs.png)
+
+✅ Přečtěte si o dostupných parametrech pro tento typ grafu a experimentujte!
+
+Tento typ grafu nabízí krásně vysvětlující vizualizace. Například několika řádky kódu můžete zobrazit hustotu maximální tělesné hmotnosti podle řádu ptáků:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![tělesná hmotnost podle řádu](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.cs.png)
+
+## 🚀 Výzva
+
+Histogramy jsou sofistikovanější typ grafu než základní bodové grafy, sloupcové grafy nebo čárové grafy. Vyhledejte na internetu dobré příklady použití histogramů. Jak se používají, co ukazují a v jakých oborech nebo oblastech se obvykle používají?
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Přehled & Samostudium
+
+V této lekci jste použili `ggplot2` a začali pracovat na zobrazování sofistikovanějších grafů. Proveďte výzkum o `geom_density_2d()`, "kontinuální křivce hustoty pravděpodobnosti v jedné nebo více dimenzích". Přečtěte si [dokumentaci](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), abyste pochopili, jak funguje.
+
+## Úkol
+
+[Uplatněte své dovednosti](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/cs/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..28375713
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:02:14+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Uplatněte své dovednosti
+
+## Pokyny
+
+Doposud jste pracovali s datasetem ptáků z Minnesoty, abyste objevili informace o množství ptáků a hustotě jejich populace. Procvičte si aplikaci těchto technik na jiném datasetu, ideálně získaném například z [Kaggle](https://www.kaggle.com/). Vytvořte R skript, který vypráví příběh o tomto datasetu, a nezapomeňte použít histogramy při jeho analýze.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Skript je prezentován s poznámkami o tomto datasetu, včetně jeho zdroje, a obsahuje alespoň 5 histogramů k objevování faktů o datech. | Skript je prezentován s neúplnými poznámkami nebo obsahuje chyby. | Skript je prezentován bez poznámek a obsahuje chyby.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/cs/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..cb730a11
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,198 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:19:47+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace proporcí
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizace proporcí - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V této lekci použijete jinou datovou sadu zaměřenou na přírodu k vizualizaci proporcí, například kolik různých druhů hub se nachází v dané datové sadě o houbách. Pojďme prozkoumat tyto fascinující houby pomocí datové sady pocházející od Audubona, která obsahuje podrobnosti o 23 druzích lupenatých hub z čeledí Agaricus a Lepiota. Vyzkoušíte si chutné vizualizace, jako jsou:
+
+- Koláčové grafy 🥧
+- Prstencové grafy 🍩
+- Waflové grafy 🧇
+
+> 💡 Velmi zajímavý projekt s názvem [Charticulator](https://charticulator.com) od Microsoft Research nabízí bezplatné rozhraní pro vizualizaci dat pomocí přetahování. V jednom ze svých tutoriálů také používají tuto datovou sadu o houbách! Můžete tak prozkoumat data a zároveň se naučit používat tuto knihovnu: [Tutoriál Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Seznamte se s houbami 🍄
+
+Houby jsou velmi zajímavé. Naimportujme si datovou sadu, abychom je mohli studovat:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+Tabulka se zobrazí s několika skvělými daty pro analýzu:
+
+
+| třída     | tvar klobouku | povrch klobouku | barva klobouku | modřiny | vůně    | připojení lupenů | rozestup lupenů | velikost lupenů | barva lupenů | tvar třeně | kořen třeně | povrch třeně nad prstencem | povrch třeně pod prstencem | barva třeně nad prstencem | barva třeně pod prstencem | typ závoje | barva závoje | počet prstenců | typ prstence | barva výtrusů | populace | prostředí |
+| --------- | ------------- | --------------- | ------------- | ------- | ------- | ---------------- | --------------- | --------------- | ------------ | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ------------- | --------- | ------------- | ---------- | -------- |
+| Jedovatá  | Konvexní      | Hladký          | Hnědá         | Modřiny | Štiplavá | Volné            | Těsné           | Úzké            | Černá        | Zvětšující se | Rovný      | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Visící    | Černá          | Rozptýlená | Městské  |
+| Jedlá     | Konvexní      | Hladký          | Žlutá         | Modřiny | Mandlová | Volné            | Těsné           | Široké          | Černá        | Zvětšující se | Kyjovitý   | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Visící    | Hnědá          | Početná    | Trávy    |
+| Jedlá     | Zvoncovitý    | Hladký          | Bílá          | Modřiny | Anýzová  | Volné            | Těsné           | Široké          | Hnědá        | Zvětšující se | Kyjovitý   | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Visící    | Hnědá          | Početná    | Louky    |
+| Jedovatá  | Konvexní      | Šupinatý        | Bílá          | Modřiny | Štiplavá | Volné            | Těsné           | Úzké            | Hnědá        | Zvětšující se | Rovný      | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Visící    | Černá          | Rozptýlená | Městské  |
+| Jedlá     | Konvexní      | Hladký          | Zelená        | Bez modřin | Žádná  | Volné            | Husté           | Široké          | Černá        | Zúžený       | Rovný      | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Pomíjivý  | Hnědá          | Hojná      | Trávy    |
+| Jedlá     | Konvexní      | Šupinatý        | Žlutá         | Modřiny | Mandlová | Volné            | Těsné           | Široké          | Hnědá        | Zvětšující se | Kyjovitý   | Hladký                   | Hladký                   | Bílá                   | Bílá                   | Částečný  | Bílá       | Jeden          | Visící    | Černá          | Početná    | Trávy    |
+
+Hned si všimnete, že všechna data jsou textová. Budete je muset převést, abyste je mohli použít v grafu. Většina dat je ve skutečnosti reprezentována jako objekt:
+
+```r
+names(mushrooms)
+```
+
+Výstup je:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+Vezměte tato data a převeďte sloupec 'třída' na kategorii:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+Nyní, pokud si vytisknete data o houbách, uvidíte, že byla rozdělena do kategorií podle třídy jedovaté/jedlé:
+```r
+View(grouped)
+```
+
+| třída | počet |
+| --------- | --------- |
+| Jedlá     | 4208      |
+| Jedovatá  | 3916      |
+
+Pokud budete postupovat podle pořadí uvedeného v této tabulce při vytváření štítků kategorií, můžete vytvořit koláčový graf.
+
+## Koláč!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+Voila, koláčový graf zobrazující proporce těchto dat podle těchto dvou tříd hub. Je velmi důležité správně nastavit pořadí štítků, zejména zde, takže si ověřte pořadí, ve kterém je pole štítků vytvořeno!
+
+![koláčový graf](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.cs.png)
+
+## Prstence!
+
+O něco vizuálně zajímavější koláčový graf je prstencový graf, což je koláčový graf s otvorem uprostřed. Podívejme se na naše data touto metodou.
+
+Podívejte se na různá prostředí, kde houby rostou:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+Výstup je:
+| prostředí | počet |
+| --------- | --------- |
+| Trávy     | 2148      |
+| Listí     | 832       |
+| Louky     | 292       |
+| Cesty     | 1144      |
+| Městské   | 368       |
+| Odpad     | 192       |
+| Lesy      | 3148      |
+
+Zde seskupujete svá data podle prostředí. Je jich uvedeno 7, takže je použijte jako štítky pro svůj prstencový graf:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![prstencový graf](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.cs.png)
+
+Tento kód používá dvě knihovny - ggplot2 a webr. Pomocí funkce PieDonut z knihovny webr můžeme snadno vytvořit prstencový graf!
+
+Prstencové grafy v R lze vytvořit i pouze pomocí knihovny ggplot2. Více se o tom můžete dozvědět [zde](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) a sami si to vyzkoušet.
+
+Nyní, když víte, jak seskupit svá data a poté je zobrazit jako koláč nebo prstenec, můžete prozkoumat další typy grafů. Vyzkoušejte waflový graf, což je jen jiný způsob zobrazení množství.
+
+## Wafle!
+
+Waflový graf je jiný způsob vizualizace množství jako 2D pole čtverců. Zkuste vizualizovat různé množství barev klobouků hub v této datové sadě. K tomu budete potřebovat nainstalovat pomocnou knihovnu s názvem [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) a použít ji k vytvoření své vizualizace:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+Vyberte segment svých dat pro seskupení:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+Vytvořte waflový graf vytvořením štítků a poté seskupením svých dat:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+Pomocí waflového grafu můžete jasně vidět proporce barev klobouků v této datové sadě hub. Zajímavé je, že existuje mnoho hub se zelenými klobouky!
+
+![waflový graf](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.cs.png)
+
+V této lekci jste se naučili tři způsoby vizualizace proporcí. Nejprve musíte svá data seskupit do kategorií a poté se rozhodnout, který způsob zobrazení dat je nejlepší - koláč, prstenec nebo wafle. Všechny jsou chutné a uživateli okamžitě poskytují přehled o datové sadě.
+
+## 🚀 Výzva
+
+Zkuste znovu vytvořit tyto chutné grafy v [Charticulator](https://charticulator.com).
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Přehled a samostudium
+
+Někdy není zřejmé, kdy použít koláčový, prstencový nebo waflový graf. Zde je několik článků, které si můžete přečíst na toto téma:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Proveďte vlastní výzkum a najděte více informací o tomto nelehkém rozhodování.
+
+## Zadání
+
+[Vyzkoušejte to v Excelu](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/cs/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..c2533f53
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:03:52+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace vztahů: Vše o medu 🍯
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizace vztahů - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Pokračujeme v přírodním zaměření našeho výzkumu a objevujeme zajímavé vizualizace, které ukazují vztahy mezi různými druhy medu podle datasetu odvozeného z [Ministerstva zemědělství Spojených států](https://www.nass.usda.gov/About_NASS/index.php).
+
+Tento dataset obsahuje přibližně 600 položek a zobrazuje produkci medu v mnoha státech USA. Můžete například sledovat počet včelstev, výnos na včelstvo, celkovou produkci, zásoby, cenu za libru a hodnotu vyprodukovaného medu v daném státě od roku 1998 do roku 2012, přičemž každý řádek představuje jeden rok pro každý stát.
+
+Bude zajímavé vizualizovat vztah mezi produkcí medu v daném státě za rok a například cenou medu v tomto státě. Alternativně můžete vizualizovat vztah mezi výnosem medu na včelstvo v jednotlivých státech. Toto časové období zahrnuje devastující fenomén 'CCD' neboli 'Colony Collapse Disorder', poprvé zaznamenaný v roce 2006 (http://npic.orst.edu/envir/ccd.html), což činí tento dataset obzvláště zajímavým ke studiu. 🐝
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+V této lekci můžete použít ggplot2, který jste již dříve používali, jako skvělou knihovnu pro vizualizaci vztahů mezi proměnnými. Zvláště zajímavé je použití funkcí `geom_point` a `qplot` z ggplot2, které umožňují rychle vytvářet bodové a čárové grafy pro vizualizaci '[statistických vztahů](https://ggplot2.tidyverse.org/)', což datovým vědcům pomáhá lépe pochopit, jak spolu proměnné souvisejí.
+
+## Bodové grafy
+
+Použijte bodový graf k zobrazení, jak se cena medu vyvíjela rok od roku v jednotlivých státech. ggplot2, pomocí `ggplot` a `geom_point`, pohodlně seskupí data podle států a zobrazí datové body pro kategorická i číselná data.
+
+Začněme importem dat a knihovny Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Všimnete si, že data o medu obsahují několik zajímavých sloupců, včetně roku a ceny za libru. Prozkoumejme tato data seskupená podle států USA:
+
+| stát | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Vytvořte základní bodový graf, který ukáže vztah mezi cenou za libru medu a státem jeho původu. Nastavte osu `y` dostatečně vysokou, aby zobrazila všechny státy:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.cs.png)
+
+Nyní zobrazte stejná data s barevným schématem inspirovaným medem, abyste ukázali, jak se cena vyvíjí v průběhu let. Toho můžete dosáhnout přidáním parametru 'scale_color_gradientn', který ukáže změnu rok od roku:
+
+> ✅ Více se dozvíte o [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - vyzkoušejte krásné duhové barevné schéma!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.cs.png)
+
+S touto změnou barevného schématu můžete vidět, že v průběhu let dochází k jasnému nárůstu ceny za libru medu. Pokud se podíváte na vzorek dat (například stát Arizona), můžete vidět vzorec zvyšování cen rok od roku s několika výjimkami:
+
+| stát | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Dalším způsobem, jak vizualizovat tento vývoj, je použití velikosti místo barvy. Pro uživatele s poruchami barevného vidění by to mohla být lepší volba. Upravte svou vizualizaci tak, aby nárůst ceny byl zobrazen zvětšením obvodu bodů:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Vidíte, že velikost bodů se postupně zvětšuje.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.cs.png)
+
+Je to jednoduchý případ nabídky a poptávky? Kvůli faktorům, jako je změna klimatu a kolaps včelstev, je k dispozici méně medu k prodeji rok od roku, a proto cena stoupá?
+
+Pro nalezení korelace mezi některými proměnnými v tomto datasetu prozkoumejme čárové grafy.
+
+## Čárové grafy
+
+Otázka: Je zde jasný nárůst ceny medu za libru rok od roku? Nejjednodušeji to zjistíte vytvořením jednoho čárového grafu:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Odpověď: Ano, s několika výjimkami kolem roku 2003:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.cs.png)
+
+Otázka: Vidíme v roce 2003 také nárůst zásob medu? Co když se podíváte na celkovou produkci rok od roku?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.cs.png)
+
+Odpověď: Ne tak docela. Pokud se podíváte na celkovou produkci, zdá se, že v tomto konkrétním roce skutečně vzrostla, i když obecně produkce medu během těchto let klesá.
+
+Otázka: Co tedy mohlo způsobit nárůst ceny medu kolem roku 2003?
+
+Prozkoumejte to pomocí mřížky facetů.
+
+## Mřížky facetů
+
+Mřížky facetů vezmou jednu část vašeho datasetu (v našem případě můžete zvolit 'rok', abyste se vyhnuli příliš mnoha facetům). Seaborn pak vytvoří graf pro každý z těchto facetů na základě zvolených os x a y pro snadnější vizuální porovnání. Vyniká rok 2003 v tomto typu porovnání?
+
+Vytvořte mřížku facetů pomocí `facet_wrap`, jak doporučuje [dokumentace ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html).
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+V této vizualizaci můžete porovnat výnos na včelstvo a počet včelstev rok od roku vedle sebe s nastavením wrap na 3 pro sloupce:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.cs.png)
+
+Pro tento dataset nic zvláštního nevyniká, pokud jde o počet včelstev a jejich výnos rok od roku a stát od státu. Existuje jiný způsob, jak najít korelaci mezi těmito dvěma proměnnými?
+
+## Dvojité čárové grafy
+
+Vyzkoušejte vícenásobný čárový graf překrytím dvou čárových grafů na sebe pomocí funkcí `par` a `plot` v R. Budeme vykreslovat roky na ose x a zobrazovat dvě osy y. Zobrazte výnos na včelstvo a počet včelstev překryté:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.cs.png)
+
+I když kolem roku 2003 nic výrazně nevyniká, umožňuje nám to zakončit tuto lekci na trochu pozitivnější notě: i když celkový počet včelstev klesá, jejich počet se stabilizuje, i když jejich výnos na včelstvo klesá.
+
+Do toho, včely, do toho!
+
+🐝❤️
+## 🚀 Výzva
+
+V této lekci jste se dozvěděli více o dalších způsobech použití bodových grafů a mřížek facetů, včetně mřížek facetů. Vyzkoušejte si vytvořit mřížku facetů s jiným datasetem, možná s tím, který jste použili v předchozích lekcích. Všimněte si, jak dlouho jejich vytvoření trvá a jak je třeba být opatrný ohledně počtu mřížek, které je třeba vykreslit pomocí těchto technik.
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Přehled a samostudium
+
+Čárové grafy mohou být jednoduché nebo poměrně složité. Přečtěte si něco více v [dokumentaci ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) o různých způsobech, jak je můžete vytvořit. Zkuste vylepšit čárové grafy, které jste vytvořili v této lekci, pomocí dalších metod uvedených v dokumentaci.
+## Zadání
+
+[Ponořte se do úlu](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/cs/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..79318275
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:15:47+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "cs"
+}
+-->
+# Vytváření smysluplných vizualizací
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Smysluplné vizualizace - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+> "Pokud budete data mučit dostatečně dlouho, přiznají cokoliv" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Jednou ze základních dovedností datového vědce je schopnost vytvořit smysluplnou vizualizaci dat, která pomůže odpovědět na otázky, které máte. Před vizualizací dat je nutné zajistit, že byla vyčištěna a připravena, jak jste se naučili v předchozích lekcích. Poté můžete začít rozhodovat, jak nejlépe data prezentovat.
+
+V této lekci si projdete:
+
+1. Jak vybrat správný typ grafu
+2. Jak se vyhnout klamavým grafům
+3. Jak pracovat s barvami
+4. Jak stylizovat grafy pro lepší čitelnost
+5. Jak vytvořit animované nebo 3D grafy
+6. Jak vytvořit kreativní vizualizaci
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Vyberte správný typ grafu
+
+V předchozích lekcích jste experimentovali s vytvářením různých zajímavých vizualizací dat pomocí knihoven Matplotlib a Seaborn. Obecně můžete vybrat [správný typ grafu](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) podle otázky, kterou si kladete, pomocí této tabulky:
+
+| Potřebujete:               | Měli byste použít:             |
+| -------------------------- | ----------------------------- |
+| Ukázat trendy v čase       | Čárový graf                   |
+| Porovnat kategorie         | Sloupcový, Koláčový graf      |
+| Porovnat celkové hodnoty   | Koláčový, Stohovaný sloupcový |
+| Ukázat vztahy              | Bodový, Čárový, Facet, Dvojitý čárový |
+| Ukázat rozložení           | Bodový, Histogram, Boxplot    |
+| Ukázat proporce            | Koláčový, Donut, Waffle       |
+
+> ✅ V závislosti na složení vašich dat může být nutné převést je z textového formátu na číselný, aby graf podporoval jejich zobrazení.
+
+## Vyhněte se klamání
+
+I když datový vědec pečlivě vybere správný graf pro správná data, existuje mnoho způsobů, jak mohou být data zobrazena tak, aby podporovala určitý názor, často na úkor samotných dat. Existuje mnoho příkladů klamavých grafů a infografik!
+
+[![Jak grafy lžou od Alberta Caira](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.cs.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Jak grafy lžou")
+
+> 🎥 Klikněte na obrázek výše pro konferenční přednášku o klamavých grafech
+
+Tento graf obrací osu X, aby ukázal opak pravdy na základě data:
+
+![špatný graf 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.cs.png)
+
+[Tento graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je ještě klamavější, protože oko je přitahováno doprava, aby dospělo k závěru, že počet případů COVID v různých okresech v průběhu času klesal. Ve skutečnosti, pokud se podíváte pozorně na data, zjistíte, že byla přeskupena, aby vytvořila klamavý sestupný trend.
+
+![špatný graf 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.cs.jpg)
+
+Tento notoricky známý příklad používá barvy A obrácenou osu Y k oklamání: místo závěru, že počet úmrtí na střelné zbraně vzrostl po přijetí legislativy podporující zbraně, je oko oklamáno, aby si myslelo, že opak je pravdou:
+
+![špatný graf 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.cs.jpg)
+
+Tento podivný graf ukazuje, jak lze manipulovat s proporcemi, a to k humornému efektu:
+
+![špatný graf 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.cs.jpg)
+
+Porovnávání neporovnatelného je další pochybný trik. Existuje [úžasná webová stránka](https://tylervigen.com/spurious-correlations) plná 'nesmyslných korelací', která zobrazuje 'fakta' korelující například míru rozvodovosti v Maine a spotřebu margarínu. Skupina na Redditu také sbírá [ošklivé použití](https://www.reddit.com/r/dataisugly/top/?t=all) dat.
+
+Je důležité pochopit, jak snadno může být oko oklamáno klamavými grafy. I když má datový vědec dobré úmysly, volba špatného typu grafu, například koláčového grafu s příliš mnoha kategoriemi, může být klamavá.
+
+## Barvy
+
+Viděli jste na grafu 'Florida gun violence', jak barvy mohou přidat další vrstvu významu grafům, zejména těm, které nejsou navrženy pomocí knihoven, jako jsou ggplot2 a RColorBrewer, které obsahují různé ověřené barevné knihovny a palety. Pokud vytváříte graf ručně, věnujte trochu času studiu [teorie barev](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Při navrhování grafů mějte na paměti, že přístupnost je důležitým aspektem vizualizace. Někteří vaši uživatelé mohou být barvoslepí - zobrazuje se váš graf dobře pro uživatele se zrakovým postižením?
+
+Buďte opatrní při výběru barev pro váš graf, protože barvy mohou přenášet význam, který jste možná nezamýšleli. 'Růžové dámy' v grafu 'výška' výše přenášejí výrazně 'ženský' přisouzený význam, který přidává k bizarnosti samotného grafu.
+
+Zatímco [význam barev](https://colormatters.com/color-symbolism/the-meanings-of-colors) může být různý v různých částech světa a má tendenci měnit se podle odstínu, obecně platí následující významy barev:
+
+| Barva  | Význam             |
+| ------ | ------------------ |
+| červená| síla               |
+| modrá  | důvěra, loajalita  |
+| žlutá  | štěstí, opatrnost  |
+| zelená | ekologie, štěstí, závist |
+| fialová| štěstí             |
+| oranžová| živost            |
+
+Pokud máte za úkol vytvořit graf s vlastními barvami, zajistěte, aby vaše grafy byly přístupné a barva, kterou vyberete, odpovídala významu, který se snažíte sdělit.
+
+## Stylizace grafů pro čitelnost
+
+Grafy nejsou smysluplné, pokud nejsou čitelné! Věnujte chvíli úpravě šířky a výšky grafu tak, aby dobře odpovídaly vašim datům. Pokud je třeba zobrazit jednu proměnnou (například všech 50 států), zobrazte je vertikálně na ose Y, pokud je to možné, abyste se vyhnuli grafu, který se horizontálně posouvá.
+
+Označte osy, poskytněte legendu, pokud je to nutné, a nabídněte tooltipy pro lepší pochopení dat.
+
+Pokud jsou vaše data textová a na ose X příliš dlouhá, můžete text naklonit pro lepší čitelnost. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) nabízí 3D grafy, pokud vaše data podporují jejich zobrazení. Pomocí této knihovny lze vytvořit sofistikované vizualizace dat.
+
+![3D grafy](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.cs.png)
+
+## Animace a 3D zobrazení grafů
+
+Některé z nejlepších vizualizací dat dnes jsou animované. Shirley Wu vytvořila úžasné vizualizace pomocí D3, například '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kde každá květina představuje vizualizaci filmu. Dalším příkladem pro Guardian je 'bussed out', interaktivní zážitek kombinující vizualizace s Greensock a D3 plus formát článku typu scrollytelling, který ukazuje, jak NYC řeší problém bezdomovectví tím, že lidi vyváží z města.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.cs.png)
+
+> "Bussed Out: Jak Amerika přesouvá své bezdomovce" od [Guardianu](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizace od Nadieh Bremer & Shirley Wu
+
+I když tato lekce není dostatečně podrobná, aby vás naučila používat tyto výkonné knihovny pro vizualizaci, zkuste si vytvořit vizualizaci pomocí D3 v aplikaci Vue.js pomocí knihovny, která zobrazuje vizualizaci knihy "Nebezpečné známosti" jako animovanou sociální síť.
+
+> "Les Liaisons Dangereuses" je epistolární román, tedy román prezentovaný jako série dopisů. Napsaný v roce 1782 Choderlosem de Laclos, vypráví příběh zlomyslných, morálně zkažených společenských manévrů dvou soupeřících protagonistů francouzské aristokracie na konci 18. století, vikomta de Valmont a markýzy de Merteuil. Oba nakonec přijdou o život, ale ne bez toho, aby způsobili značné společenské škody. Román se odvíjí jako série dopisů psaných různým lidem v jejich kruzích, plánujících pomstu nebo prostě způsobujících problémy. Vytvořte vizualizaci těchto dopisů, abyste objevili hlavní postavy příběhu vizuálně.
+
+Dokončíte webovou aplikaci, která zobrazí animovaný pohled na tuto sociální síť. Používá knihovnu, která byla vytvořena pro [vizualizaci sítě](https://github.com/emiliorizzo/vue-d3-network) pomocí Vue.js a D3. Když aplikace běží, můžete uzly na obrazovce přetahovat a měnit jejich uspořádání.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.cs.png)
+
+## Projekt: Vytvořte graf zobrazující síť pomocí D3.js
+
+> Tato složka lekce obsahuje složku `solution`, kde najdete dokončený projekt pro vaši referenci.
+
+1. Postupujte podle pokynů v souboru README.md v kořenové složce startovacího projektu. Ujistěte se, že máte na svém počítači nainstalované NPM a Node.js před instalací závislostí projektu.
+
+2. Otevřete složku `starter/src`. Najdete složku `assets`, kde je .json soubor obsahující všechny dopisy z románu, očíslované, s anotací 'to' a 'from'.
+
+3. Dokončete kód v `components/Nodes.vue`, abyste umožnili vizualizaci. Najděte metodu nazvanou `createLinks()` a přidejte následující vnořenou smyčku.
+
+Projděte objekt .json, abyste zachytili data 'to' a 'from' pro dopisy a vytvořili objekt `links`, který knihovna vizualizace může použít:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Spusťte svou aplikaci z terminálu (npm run serve) a užijte si vizualizaci!
+
+## 🚀 Výzva
+
+Prozkoumejte internet a objevte klamavé vizualizace. Jak autor klame uživatele a je to úmyslné? Zkuste vizualizace opravit, aby ukázaly, jak by měly vypadat.
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Přehled & Samostudium
+
+Zde jsou některé články o klamavé vizualizaci dat:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Podívejte se na tyto zajímavé vizualizace historických aktiv a artefaktů:
+
+https://handbook.pubpub.org/
+
+Projděte si tento článek o tom, jak animace může zlepšit vaše vizualizace:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Úkol
+
+[Vytvořte vlastní vizualizaci](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/3-Data-Visualization/README.md b/translations/cs/3-Data-Visualization/README.md
new file mode 100644
index 00000000..5c68e5ea
--- /dev/null
+++ b/translations/cs/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:41:22+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "cs"
+}
+-->
+# Vizualizace
+
+![včela na květu levandule](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.cs.jpg)
+> Fotografie od <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenny Lee</a> na <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Vizualizace dat je jedním z nejdůležitějších úkolů datového vědce. Obrázky mají hodnotu tisíce slov a vizualizace vám může pomoci identifikovat různé zajímavé aspekty vašich dat, jako jsou výkyvy, odlehlé hodnoty, seskupení, tendence a další, které vám mohou pomoci pochopit příběh, který vaše data vyprávějí.
+
+V těchto pěti lekcích budete zkoumat data pocházející z přírody a vytvářet zajímavé a krásné vizualizace pomocí různých technik.
+
+| Číslo tématu | Téma | Odkaz na lekci | Autor |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | Vizualizace množství | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Vizualizace distribuce | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Vizualizace proporcí | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Vizualizace vztahů | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Tvorba smysluplných vizualizací | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Poděkování
+
+Tyto lekce o vizualizaci byly vytvořeny s 🌸 [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) a [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Data o produkci medu v USA pocházejí z projektu Jessicy Li na [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Data](https://usda.library.cornell.edu/concern/publications/rn301137d) jsou odvozena z [Ministerstva zemědělství Spojených států](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Data o houbách pocházejí také z [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), revidovaná Hatterasem Duntonem. Tento dataset obsahuje popisy hypotetických vzorků odpovídajících 23 druhům lupenatých hub z čeledi Agaricus a Lepiota. Houby byly čerpány z knihy The Audubon Society Field Guide to North American Mushrooms (1981). Tento dataset byl darován UCI ML 27 v roce 1987.
+
+🦆 Data o ptácích z Minnesoty pocházejí z [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), kde byla sebrána z [Wikipedie](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) Hannah Collins.
+
+Všechny tyto datasety jsou licencovány jako [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/cs/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..e20d5c26
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:24:08+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "cs"
+}
+-->
+# Úvod do životního cyklu datové vědy
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Úvod do životního cyklu datové vědy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz před lekcí](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+V tuto chvíli jste si pravděpodobně uvědomili, že datová věda je proces. Tento proces lze rozdělit do 5 fází:
+
+- Zachycení
+- Zpracování
+- Analýza
+- Komunikace
+- Údržba
+
+Tato lekce se zaměřuje na 3 části životního cyklu: zachycení, zpracování a údržbu.
+
+![Diagram životního cyklu datové vědy](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.cs.jpg)  
+> Foto od [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Zachycení
+
+První fáze životního cyklu je velmi důležitá, protože na ní závisí všechny další fáze. Prakticky se jedná o dvě fáze spojené do jedné: získávání dat a definování účelu a problémů, které je třeba řešit.  
+Definování cílů projektu vyžaduje hlubší pochopení problému nebo otázky. Nejprve musíme identifikovat a oslovit ty, kteří potřebují vyřešit svůj problém. Mohou to být zainteresované strany v podniku nebo sponzoři projektu, kteří mohou pomoci určit, kdo nebo co bude mít z projektu prospěch, a také co a proč potřebují. Dobře definovaný cíl by měl být měřitelný a kvantifikovatelný, aby bylo možné stanovit přijatelný výsledek.
+
+Otázky, které si datový vědec může položit:
+- Byl tento problém již dříve řešen? Co bylo zjištěno?
+- Rozumí všichni zúčastnění účelu a cíli?
+- Existuje nejasnost a jak ji snížit?
+- Jaké jsou omezení?
+- Jak by mohl vypadat konečný výsledek?
+- Kolik zdrojů (čas, lidé, výpočetní kapacita) je k dispozici?
+
+Dalším krokem je identifikace, sběr a nakonec prozkoumání dat potřebných k dosažení těchto definovaných cílů. V této fázi získávání musí datoví vědci také zhodnotit množství a kvalitu dat. To vyžaduje určité prozkoumání dat, aby bylo potvrzeno, že získaná data podpoří dosažení požadovaného výsledku.
+
+Otázky, které si datový vědec může položit ohledně dat:
+- Jaká data mám již k dispozici?
+- Kdo tato data vlastní?
+- Jaké jsou obavy ohledně ochrany soukromí?
+- Mám dostatek dat k vyřešení tohoto problému?
+- Jsou data dostatečně kvalitní pro tento problém?
+- Pokud prostřednictvím těchto dat objevím další informace, měli bychom zvážit změnu nebo redefinování cílů?
+
+## Zpracování
+
+Fáze zpracování životního cyklu se zaměřuje na objevování vzorců v datech a modelování. Některé techniky používané ve fázi zpracování vyžadují statistické metody k odhalení vzorců. Typicky by to byla zdlouhavá úloha pro člověka při práci s velkým datovým souborem, a proto se spoléháme na počítače, které tento proces urychlí. Tato fáze je také místem, kde se datová věda a strojové učení protínají. Jak jste se dozvěděli v první lekci, strojové učení je proces budování modelů pro pochopení dat. Modely představují vztahy mezi proměnnými v datech, které pomáhají předpovídat výsledky.
+
+Běžné techniky používané v této fázi jsou pokryty v kurikulu ML pro začátečníky. Sledujte odkazy, abyste se o nich dozvěděli více:
+
+- [Klasifikace](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organizace dat do kategorií pro efektivnější využití.
+- [Shlukování](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Skupinování dat do podobných skupin.
+- [Regrese](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Určení vztahů mezi proměnnými pro předpověď nebo odhad hodnot.
+
+## Údržba
+
+Na diagramu životního cyklu jste si možná všimli, že údržba se nachází mezi zachycením a zpracováním. Údržba je průběžný proces správy, ukládání a zabezpečení dat během celého projektu a měla by být zohledněna po celou dobu trvání projektu.
+
+### Ukládání dat
+
+Způsob a místo ukládání dat může ovlivnit náklady na jejich uložení i výkon při jejich přístupu. Taková rozhodnutí pravděpodobně nebudou dělat pouze datoví vědci, ale mohou se ocitnout v situaci, kdy budou muset volit, jak s daty pracovat na základě způsobu jejich uložení.
+
+Zde jsou některé aspekty moderních systémů ukládání dat, které mohou ovlivnit tato rozhodnutí:
+
+**On-premise vs off-premise vs veřejný nebo soukromý cloud**
+
+On-premise znamená hostování a správu dat na vlastním zařízení, například vlastnění serveru s pevnými disky, které data ukládají, zatímco off-premise spoléhá na zařízení, která nevlastníte, například datové centrum. Veřejný cloud je oblíbenou volbou pro ukládání dat, která nevyžaduje znalost toho, jak nebo kde přesně jsou data uložena, přičemž veřejný odkazuje na jednotnou základní infrastrukturu sdílenou všemi uživateli cloudu. Některé organizace mají přísné bezpečnostní politiky, které vyžadují, aby měly úplný přístup k zařízení, kde jsou data hostována, a spoléhají na soukromý cloud, který poskytuje vlastní cloudové služby. O ukládání dat v cloudu se dozvíte více v [pozdějších lekcích](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Studená vs horká data**
+
+Při trénování modelů můžete potřebovat více trénovacích dat. Pokud jste spokojeni se svým modelem, budou přicházet další data, aby model mohl plnit svůj účel. V každém případě se náklady na ukládání a přístup k datům zvýší, jakmile jich budete mít více. Oddělení zřídka používaných dat, známých jako studená data, od často přistupovaných horkých dat může být levnější možností ukládání dat prostřednictvím hardwarových nebo softwarových služeb. Pokud je potřeba přistupovat ke studeným datům, může jejich načtení trvat o něco déle ve srovnání s horkými daty.
+
+### Správa dat
+
+Při práci s daty můžete zjistit, že některá data je třeba vyčistit pomocí některých technik pokrytých v lekci zaměřené na [přípravu dat](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), aby bylo možné vytvořit přesné modely. Když dorazí nová data, bude třeba aplikovat stejné postupy, aby byla zachována konzistence kvality. Některé projekty budou zahrnovat použití automatizovaného nástroje pro čištění, agregaci a kompresi dat před jejich přesunem na konečné místo. Příkladem jednoho z těchto nástrojů je Azure Data Factory.
+
+### Zabezpečení dat
+
+Jedním z hlavních cílů zabezpečení dat je zajistit, aby ti, kdo s nimi pracují, měli kontrolu nad tím, co je shromažďováno a v jakém kontextu je to používáno. Udržování dat v bezpečí zahrnuje omezení přístupu pouze na ty, kteří jej potřebují, dodržování místních zákonů a předpisů a udržování etických standardů, jak je popsáno v [lekci o etice](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Zde je několik věcí, které může tým dělat s ohledem na bezpečnost:
+- Ověřit, že všechna data jsou šifrována
+- Poskytnout zákazníkům informace o tom, jak jsou jejich data používána
+- Odebrat přístup k datům těm, kteří projekt opustili
+- Povolit pouze určitým členům projektu měnit data
+
+## 🚀 Výzva
+
+Existuje mnoho verzí životního cyklu datové vědy, kde každý krok může mít jiný název a počet fází, ale obsahuje stejné procesy zmíněné v této lekci.
+
+Prozkoumejte [životní cyklus procesu týmové datové vědy](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) a [průmyslový standardní proces pro dolování dat](https://www.datascience-pm.com/crisp-dm-2/). Uveďte 3 podobnosti a rozdíly mezi nimi.
+
+|Proces týmové datové vědy (TDSP)|Průmyslový standardní proces pro dolování dat (CRISP-DM)|
+|--|--|
+|![Životní cyklus týmové datové vědy](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.cs.png) | ![Obrázek procesu datové vědy](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.cs.png) |
+| Obrázek od [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Obrázek od [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Kvíz po lekci](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Přehled a samostudium
+
+Aplikace životního cyklu datové vědy zahrnuje různé role a úkoly, přičemž některé se zaměřují na konkrétní části každé fáze. Proces týmové datové vědy poskytuje několik zdrojů, které vysvětlují typy rolí a úkolů, které může někdo v projektu mít.
+
+* [Role a úkoly v procesu týmové datové vědy](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)  
+* [Provádění úkolů datové vědy: průzkum, modelování a nasazení](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Zadání
+
+[Hodnocení datové sady](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/cs/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..e7fff386
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:28:00+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Posouzení datové sady
+
+Klient se obrátil na váš tým s žádostí o pomoc při zkoumání sezónních výdajových návyků zákazníků taxi služeb v New Yorku.
+
+Chtějí vědět: **Dávají cestující žlutých taxíků v New Yorku řidičům větší spropitné v zimě nebo v létě?**
+
+Váš tým se nachází ve fázi [Zachycení](Readme.md#Capturing) životního cyklu datové vědy a vy máte na starosti zpracování datové sady. Byli jste vybaveni notebookem a [daty](../../../../data/taxi.csv) k prozkoumání.
+
+V tomto adresáři se nachází [notebook](notebook.ipynb), který používá Python k načtení dat o jízdách žlutých taxíků od [Komise pro taxi a limuzíny v NYC](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets).
+Datový soubor taxi můžete také otevřít v textovém editoru nebo tabulkovém softwaru, jako je Excel.
+
+## Pokyny
+
+- Posuďte, zda data v této datové sadě mohou pomoci odpovědět na otázku.
+- Prozkoumejte [katalog NYC Open Data](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identifikujte další datovou sadu, která by mohla být užitečná při zodpovězení otázky klienta.
+- Napište 3 otázky, které byste položili klientovi pro lepší objasnění a pochopení problému.
+
+Odkazujte na [slovník datové sady](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) a [uživatelskou příručku](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pro více informací o datech.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Vyžaduje zlepšení
+--- | --- | ---
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neneseme odpovědnost za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/cs/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..a6d50b28
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,61 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:29:29+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "cs"
+}
+-->
+# Životní cyklus datové vědy: Analýza
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Životní cyklus datové vědy: Analýza - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## Kvíz před přednáškou
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Analýza v životním cyklu dat potvrzuje, že data mohou odpovědět na položené otázky nebo vyřešit konkrétní problém. Tento krok se také zaměřuje na ověření, zda model správně řeší tyto otázky a problémy. Tato lekce se soustředí na průzkumnou analýzu dat (Exploratory Data Analysis, EDA), což jsou techniky pro definování vlastností a vztahů v datech, které mohou být použity k přípravě dat pro modelování.
+
+Použijeme příklad datové sady z [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), abychom ukázali, jak lze tyto techniky aplikovat pomocí Pythonu a knihovny Pandas. Tato datová sada obsahuje počty některých běžných slov nalezených v e-mailech, přičemž zdroje těchto e-mailů jsou anonymní. Použijte [notebook](notebook.ipynb) v tomto adresáři, abyste mohli postupovat podle příkladu.
+
+## Průzkumná analýza dat
+
+Fáze zachycení v životním cyklu je místem, kde jsou data získávána, stejně jako problémy a otázky, které je třeba řešit. Ale jak zjistíme, zda data mohou podpořit konečný výsledek? 
+Připomeňme si, že datový vědec může při získávání dat klást následující otázky:
+-   Mám dostatek dat k vyřešení tohoto problému?
+-   Jsou data dostatečně kvalitní pro tento problém?
+-   Pokud prostřednictvím těchto dat objevíme další informace, měli bychom zvážit změnu nebo redefinici cílů?
+
+Průzkumná analýza dat je proces, jak se s daty seznámit, a může být použita k zodpovězení těchto otázek, stejně jako k identifikaci výzev při práci s datovou sadou. Zaměřme se na některé techniky, které se k tomu používají.
+
+## Profilování dat, popisná statistika a Pandas
+Jak můžeme zhodnotit, zda máme dostatek dat k vyřešení problému? Profilování dat může shrnout a shromáždit některé obecné informace o naší datové sadě prostřednictvím technik popisné statistiky. Profilování dat nám pomáhá pochopit, co máme k dispozici, a popisná statistika nám pomáhá pochopit, kolik toho máme.
+
+V několika předchozích lekcích jsme použili Pandas k poskytování popisné statistiky pomocí funkce [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Tato funkce poskytuje počet, maximální a minimální hodnoty, průměr, standardní odchylku a kvantily pro numerická data. Použití popisné statistiky, jako je funkce `describe()`, vám může pomoci posoudit, kolik dat máte a zda potřebujete více.
+
+## Vzorkování a dotazování
+Prozkoumávání všeho v rozsáhlé datové sadě může být velmi časově náročné a obvykle je to úkol, který je ponechán na počítači. Nicméně vzorkování je užitečný nástroj pro pochopení dat a umožňuje nám lépe porozumět tomu, co datová sada obsahuje a co reprezentuje. Pomocí vzorku můžete aplikovat pravděpodobnost a statistiku, abyste dospěli k obecným závěrům o svých datech. Ačkoli neexistuje definované pravidlo, kolik dat byste měli vzorkovat, je důležité si uvědomit, že čím více dat vzorkujete, tím přesnější generalizaci můžete o datech učinit.
+
+Pandas má funkci [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), kde můžete zadat argument, kolik náhodných vzorků chcete získat a použít.
+
+Obecné dotazování na data vám může pomoci odpovědět na některé obecné otázky a teorie, které můžete mít. Na rozdíl od vzorkování vám dotazy umožňují mít kontrolu a zaměřit se na konkrétní části dat, na které máte otázky. Funkce [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) v knihovně Pandas vám umožňuje vybrat sloupce a získat jednoduché odpovědi na data prostřednictvím získaných řádků.
+
+## Průzkum pomocí vizualizací
+Nemusíte čekat, až budou data důkladně vyčištěna a analyzována, abyste mohli začít vytvářet vizualizace. Ve skutečnosti může vizuální reprezentace během průzkumu pomoci identifikovat vzory, vztahy a problémy v datech. Navíc vizualizace poskytují prostředek komunikace s těmi, kteří se na správě dat nepodílejí, a mohou být příležitostí k sdílení a objasnění dalších otázek, které nebyly řešeny ve fázi zachycení. Odkazujte na [sekci o vizualizacích](../../../../../../../../../3-Data-Visualization), abyste se dozvěděli více o některých populárních způsobech průzkumu vizuálně.
+
+## Průzkum za účelem identifikace nesrovnalostí
+Všechny témata v této lekci mohou pomoci identifikovat chybějící nebo nekonzistentní hodnoty, ale Pandas poskytuje funkce, které mohou některé z nich zkontrolovat. [isna() nebo isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) mohou zkontrolovat chybějící hodnoty. Důležitou součástí průzkumu těchto hodnot v datech je zjistit, proč se tak staly. To vám může pomoci rozhodnout, jaké [kroky podniknout k jejich vyřešení](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Úkol
+
+[Průzkum pro odpovědi](assignment.md)
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/cs/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..d18dea88
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:31:36+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Hledání odpovědí
+
+Toto je pokračování [úkolu](../14-Introduction/assignment.md) z předchozí lekce, kde jsme se krátce podívali na datový soubor. Nyní se podíváme na data podrobněji.
+
+Znovu připomínáme otázku, kterou chce klient zodpovědět: **Dávají cestující žlutých taxíků v New Yorku řidičům větší spropitné v zimě nebo v létě?**
+
+Váš tým se nachází ve fázi [Analýza](README.md) životního cyklu datové vědy, kde máte za úkol provést průzkumnou analýzu dat na daném datovém souboru. Byly vám poskytnuty notebook a datový soubor obsahující 200 transakcí taxíků z ledna a července 2019.
+
+## Pokyny
+
+V tomto adresáři se nachází [notebook](assignment.ipynb) a data od [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Podívejte se na [slovník datového souboru](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) a [uživatelskou příručku](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pro více informací o datech.
+
+Použijte některé techniky z této lekce k provedení vlastní průzkumné analýzy dat v notebooku (můžete přidat buňky, pokud chcete) a odpovězte na následující otázky:
+
+- Jaké další vlivy v datech by mohly ovlivnit výši spropitného?
+- Které sloupce pravděpodobně nebudou potřeba k zodpovězení otázky klienta?
+- Na základě dosud poskytnutých informací, poskytují data nějaké důkazy o sezónním chování při dávání spropitného?
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | --- |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/16-communication/README.md b/translations/cs/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..089a9ab7
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,222 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:34:50+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "cs"
+}
+-->
+# Životní cyklus datové vědy: Komunikace
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Životní cyklus datové vědy: Komunikace - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Otestujte si své znalosti toho, co vás čeká, pomocí výše uvedeného kvízu před lekcí!
+
+# Úvod
+
+### Co je to komunikace?
+Začněme tuto lekci definicí toho, co znamená komunikovat. **Komunikovat znamená předávat nebo vyměňovat si informace.** Informace mohou být nápady, myšlenky, pocity, zprávy, skryté signály, data – cokoliv, co chce **_odesílatel_** (ten, kdo informace posílá) předat **_příjemci_** (ten, kdo informace přijímá), aby to pochopil. V této lekci budeme odesílatele označovat jako komunikátory a příjemce jako publikum.
+
+### Datová komunikace a vyprávění příběhů
+Chápeme, že cílem komunikace je předávat nebo vyměňovat si informace. Ale při komunikaci dat by vaším cílem nemělo být pouze předat čísla vašemu publiku. Vaším cílem by mělo být sdělit příběh, který je podložen vašimi daty – efektivní datová komunikace a vyprávění příběhů jdou ruku v ruce. Vaše publikum si pravděpodobněji zapamatuje příběh, který vyprávíte, než číslo, které uvedete. Později v této lekci si projdeme několik způsobů, jak můžete pomocí vyprávění příběhů efektivněji komunikovat svá data.
+
+### Typy komunikace
+V průběhu této lekce budou diskutovány dva různé typy komunikace: jednosměrná komunikace a obousměrná komunikace.
+
+**Jednosměrná komunikace** nastává, když odesílatel posílá informace příjemci, aniž by dostal zpětnou vazbu nebo odpověď. Příklady jednosměrné komunikace vidíme každý den – v hromadných e-mailech, když zprávy přinášejí nejnovější události, nebo když se objeví televizní reklama a informuje vás o tom, proč je jejich produkt skvělý. V každém z těchto případů odesílatel neusiluje o výměnu informací. Snaží se pouze předat nebo doručit informace.
+
+**Obousměrná komunikace** nastává, když všechny zúčastněné strany fungují jako odesílatelé i příjemci. Odesílatel začne komunikovat s příjemcem a příjemce poskytne zpětnou vazbu nebo odpověď. Obousměrná komunikace je to, co si obvykle představíme, když mluvíme o komunikaci. Obvykle si představíme lidi zapojené do konverzace – ať už osobně, po telefonu, na sociálních sítích nebo prostřednictvím textových zpráv.
+
+Při komunikaci dat nastanou situace, kdy budete používat jednosměrnou komunikaci (například při prezentaci na konferenci nebo před velkou skupinou, kde se otázky nebudou klást přímo po skončení), a situace, kdy budete používat obousměrnou komunikaci (například při přesvědčování několika zainteresovaných stran, aby podpořily váš návrh, nebo při snaze přesvědčit kolegu, že stojí za to investovat čas a úsilí do vytvoření něčeho nového).
+
+# Efektivní komunikace
+
+### Vaše odpovědnost jako komunikátora
+Při komunikaci je vaší povinností zajistit, aby si příjemce odnesl informace, které chcete, aby si odnesl. Když komunikujete data, nechcete, aby si příjemci odnesli jen čísla – chcete, aby si odnesli příběh, který je podložen vašimi daty. Dobrý komunikátor dat je dobrý vypravěč.
+
+Jak vyprávět příběh pomocí dat? Existuje nekonečně mnoho způsobů – ale níže je uvedeno 6, o kterých budeme mluvit v této lekci.
+1. Pochopte své publikum, svůj kanál a svou metodu komunikace
+2. Začněte s cílem na mysli
+3. Přistupujte k tomu jako k opravdovému příběhu
+4. Používejte smysluplná slova a fráze
+5. Používejte emoce
+
+Každá z těchto strategií je podrobněji vysvětlena níže.
+
+### 1. Pochopte své publikum, svůj kanál a svou metodu komunikace
+Způsob, jakým komunikujete s rodinnými příslušníky, se pravděpodobně liší od způsobu, jakým komunikujete s přáteli. Pravděpodobně používáte jiná slova a fráze, která lidé, s nimiž mluvíte, lépe pochopí. Stejný přístup byste měli zvolit při komunikaci dat. Přemýšlejte o tom, s kým komunikujete. Přemýšlejte o jejich cílech a o kontextu, který mají ohledně situace, kterou jim vysvětlujete.
+
+Většinu svého publika pravděpodobně můžete zařadit do jedné z kategorií. V článku _Harvard Business Review_ “[How to Tell a Story with Data](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)” identifikuje výkonný stratég společnosti Dell, Jim Stikeleather, pět kategorií publika:
+
+- **Začátečník**: první setkání s tématem, ale nechce přílišné zjednodušení
+- **Obecný posluchač**: má povědomí o tématu, ale hledá přehled a hlavní témata
+- **Manažer**: podrobné, akční pochopení složitostí a vzájemných vztahů s přístupem k detailům
+- **Expert**: více zkoumání a objevování, méně vyprávění příběhů, s velkým důrazem na detaily
+- **Vedoucí pracovník**: má čas pouze na pochopení významu a závěrů vážených pravděpodobností
+
+Tyto kategorie mohou ovlivnit způsob, jakým prezentujete data svému publiku.
+
+Kromě přemýšlení o kategorii vašeho publika byste měli také zvážit kanál, který používáte ke komunikaci. Váš přístup by měl být mírně odlišný, pokud píšete memorandum nebo e-mail, než když máte schůzku nebo prezentujete na konferenci.
+
+Na vrcholu pochopení vašeho publika je také klíčové vědět, jak s ním budete komunikovat (používáte jednosměrnou nebo obousměrnou komunikaci).
+
+Pokud komunikujete s většinou publika, které je v kategorii Začátečník, a používáte jednosměrnou komunikaci, musíte nejprve publikum vzdělat a poskytnout mu správný kontext. Poté jim musíte představit svá data, vysvětlit, co znamenají, a proč jsou důležitá. V tomto případě byste se měli zaměřit na maximální srozumitelnost, protože vaše publikum vám nebude moci klást přímé otázky.
+
+Pokud komunikujete s většinou publika v kategorii Manažer a používáte obousměrnou komunikaci, pravděpodobně nebudete muset své publikum vzdělávat nebo mu poskytovat mnoho kontextu. Možná budete moci rovnou přejít k diskusi o datech, která jste shromáždili, a proč jsou důležitá. V tomto scénáři byste se však měli zaměřit na načasování a kontrolu své prezentace. Při obousměrné komunikaci (zejména s publikem v kategorii Manažer, které hledá „akční pochopení složitostí a vzájemných vztahů s přístupem k detailům“) mohou během interakce vyvstat otázky, které mohou diskusi odvést od příběhu, který se snažíte vyprávět. Když k tomu dojde, můžete zasáhnout a vrátit diskusi zpět na správnou cestu.
+
+### 2. Začněte s cílem na mysli
+Začít s cílem na mysli znamená pochopit, jaké závěry chcete, aby si vaše publikum odneslo, ještě předtím, než s ním začnete komunikovat. Promyšlenost ohledně toho, co chcete, aby si vaše publikum odneslo, vám může pomoci vytvořit příběh, který bude vaše publikum schopno sledovat. Začít s cílem na mysli je vhodné jak pro jednosměrnou, tak pro obousměrnou komunikaci.
+
+Jak začít s cílem na mysli? Před komunikací vašich dat si napište klíčové závěry. Poté se při každém kroku přípravy příběhu, který chcete vyprávět pomocí dat, zeptejte sami sebe: „Jak to zapadá do příběhu, který vyprávím?“
+
+Buďte si vědomi – i když je ideální začít s cílem na mysli, nechcete komunikovat pouze data, která podporují vaše zamýšlené závěry. Tomu se říká cherry-picking, což nastává, když komunikátor sděluje pouze data, která podporují jeho argument, a ignoruje všechna ostatní data.
+
+Pokud všechna data, která jste shromáždili, jasně podporují vaše zamýšlené závěry, skvělé. Pokud však existují data, která vaše závěry nepodporují, nebo dokonce podporují argument proti vašim klíčovým závěrům, měli byste tato data také komunikovat. Pokud k tomu dojde, buďte vůči svému publiku upřímní a dejte mu vědět, proč se rozhodujete držet svého příběhu, i když všechna data jej nutně nepodporují.
+
+### 3. Přistupujte k tomu jako k opravdovému příběhu
+Tradiční příběh se odehrává v 5 fázích. Možná jste tyto fáze slyšeli vyjádřené jako Expozice, Stoupající akce, Vyvrcholení, Klesající akce a Rozuzlení. Nebo snadněji zapamatovatelné: Kontext, Konflikt, Vyvrcholení, Uzavření, Závěr. Při komunikaci vašich dat a příběhu můžete použít podobný přístup.
+
+Můžete začít kontextem, nastavit scénu a ujistit se, že vaše publikum je na stejné vlně. Poté představte konflikt. Proč jste potřebovali tato data shromáždit? Jaké problémy jste se snažili vyřešit? Poté přichází vyvrcholení. Jaká jsou data? Co znamenají? Jaká řešení nám data naznačují? Poté přejdete k uzavření, kde můžete zopakovat problém a navrhované řešení/řešení. Nakonec přichází závěr, kde můžete shrnout své klíčové závěry a doporučit další kroky, které by měl tým podniknout.
+
+### 4. Používejte smysluplná slova a fráze
+Pokud bychom spolu pracovali na produktu a já bych vám řekl: „Naši uživatelé potřebují dlouhou dobu na onboarding na naší platformě,“ jak dlouhou dobu byste odhadovali? Hodinu? Týden? Těžko říct. Co kdybych to řekl celému publiku? Každý v publiku by mohl mít jinou představu o tom, jak dlouho onboarding trvá.
+
+Místo toho, co kdybych řekl: „Naši uživatelé potřebují v průměru 3 minuty na registraci a onboarding na naší platformě.“
+
+Tato zpráva je jasnější. Při komunikaci dat je snadné si myslet, že všichni v publiku přemýšlejí stejně jako vy. Ale to není vždy pravda. Zajištění jasnosti vašich dat a jejich významu je jednou z vašich odpovědností jako komunikátora. Pokud data nebo váš příběh nejsou jasné, vaše publikum bude mít problém sledovat a je méně pravděpodobné, že pochopí vaše klíčové závěry.
+
+Můžete komunikovat data jasněji, když používáte smysluplná slova a fráze místo vágních. Níže je několik příkladů.
+
+- Měli jsme *impozantní* rok!
+  - Jeden člověk by si mohl myslet, že impozantní znamená 2% - 3% nárůst příjmů, a jiný by si mohl myslet, že to znamená 50% - 60% nárůst.
+- Úspěšnost našich uživatelů se *dramaticky* zvýšila.
+  - Jak velký nárůst je dramatický nárůst?
+- Tento úkol bude vyžadovat *významné* úsilí.
+  - Kolik úsilí je významné?
+
+Používání vágních slov může být užitečné jako úvod k dalším datům, která přijdou, nebo jako shrnutí příběhu, který jste právě vyprávěli. Ale zvažte, zda zajistit, aby každá část vaší prezentace byla pro vaše publikum jasná.
+
+### 5. Používejte emoce
+Emoce jsou klíčové při vyprávění příběhů. Jsou ještě důležitější, když vyprávíte příběh pomocí dat. Při komunikaci dat je vše zaměřeno na závěry, které chcete, aby si vaše publikum odneslo. Když u publika vyvoláte emoci, pomůže jim to vcítit se a zvýší pravděpodobnost, že podniknou kroky. Emoce také zvyšují pravděpodobnost, že si publikum zapamatuje vaši zprávu.
+
+Možná jste to zažili u televizních reklam. Některé reklamy jsou velmi vážné a používají smutné emoce, aby se spojily s publikem a zdůraznily data, která prezentují. Nebo některé reklamy jsou velmi optimistické a veselé, což vás může přimět spojit jejich data s pocitem štěstí.
+
+Jak používat emoce při komunikaci dat? Níže je několik způsobů.
+
+- Používejte svědectví a osobní příběhy
+  - Při shromažďování dat se snažte sbírat jak kvantitativní, tak kvalitativní data a integrovat oba typy dat při komunikaci. Pokud jsou vaše data převážně kvantitativní, hledejte příběhy jednotlivců, abyste se dozvěděli více o jejich zkušenostech s tím, co vám vaše data říkají.
+- Používejte obrázky
+  - Obrázky pomáhají publiku vidět se v určité situaci. Když používáte obrázky, můžete publikum nasměrovat k emoci, kterou by podle vás mělo mít ohledně vašich dat.
+- Používejte barvy
+  - Různé barvy vyvolávají různé emoce. Populární barvy a emoce, které vyvolávají, jsou uvedeny níže. Buďte si vědomi, že barvy mohou mít v různých kulturách odlišné významy.
+    - Modrá obvykle vyvolává pocity klidu a důvěry
+    - Zelená je obvykle spojována s přírodou a životním prostředím
+    - Červená obvykle znamená vášeň a vzrušení
+    - Žlutá obvykle znamená optimismus a štěstí
+
+# Případová studie komunikace
+Emerson je produktový manažer pro mobilní aplikaci. Emerson si všiml, že zákazníci podávají o 42 % více stížností a hlášení chyb o víkendech. Emerson si také všiml, že zákazníci, kteří podají stížnost, která zůstane nezodpovězena déle než 48 hodin, mají o 32 % vyšší pravděpodobnost, že aplikaci ohodnotí známkou 1 nebo 2 v obchodě s aplikacemi.
+
+Po provedení výzkumu má Emerson několik řešení, která tento problém vyřeší. Emerson si domluví 30minutovou schůzku se třemi vedoucími společnosti, aby jim sdělil data a navrhovaná řešení.
+
+Během této schůzky je cílem Emersona, aby vedoucí společnosti pochopili, že následující dvě řešení mohou zlepšit hodnocení aplikace, což pravděpodobně povede k vyšším příjmům.
+
+**Řešení 1.** Najmout pracovníky zákaznické podpory na víkendy
+
+**Řešení 2.** Zakoupit nový systém pro správu zákaznických požadavků, který umožní pracovníkům zákaznické podpory snadno identifikovat, které stížnosti jsou v front
+Na schůzce Emerson strávil 5 minut vysvětlováním, proč je špatné mít nízké hodnocení v obchodě s aplikacemi, 10 minut popisováním výzkumného procesu a identifikace trendů, 10 minut probíráním některých nedávných stížností zákazníků a posledních 5 minut povrchním zmíněním dvou možných řešení.
+
+Byl to efektivní způsob, jak Emerson během této schůzky komunikoval?
+
+Během schůzky se jeden z vedoucích společnosti zaměřil na 10 minut stížností zákazníků, které Emerson probíral. Po schůzce byly tyto stížnosti jedinou věcí, kterou si tento vedoucí zapamatoval. Jiný vedoucí se primárně soustředil na Emersonův popis výzkumného procesu. Třetí vedoucí si sice pamatoval navržená řešení, ale nebyl si jistý, jak by tato řešení mohla být implementována.
+
+V uvedené situaci je vidět, že existoval významný rozdíl mezi tím, co chtěl Emerson, aby si vedoucí týmů ze schůzky odnesli, a tím, co si skutečně odnesli. Níže je uveden jiný přístup, který by mohl Emerson zvážit.
+
+Jak by mohl Emerson tento přístup zlepšit?  
+Kontext, Konflikt, Vyvrcholení, Uzavření, Závěr  
+**Kontext** – Emerson by mohl strávit prvních 5 minut představením celé situace a ujistit se, že vedoucí týmů chápou, jak problémy ovlivňují metriky, které jsou pro společnost klíčové, například příjmy.
+
+Mohlo by to být prezentováno takto: „V současné době má naše aplikace hodnocení 2,5 v obchodě s aplikacemi. Hodnocení v obchodě s aplikacemi je klíčové pro optimalizaci viditelnosti aplikace, což ovlivňuje, kolik uživatelů naši aplikaci najde při vyhledávání, a jak je naše aplikace vnímána potenciálními uživateli. A samozřejmě, počet uživatelů přímo souvisí s příjmy.“
+
+**Konflikt** Emerson by pak mohl přejít k popisu konfliktu během následujících 5 minut.
+
+Mohlo by to znít takto: „Uživatelé podávají o 42 % více stížností a hlášení chyb o víkendech. Zákazníci, kteří podají stížnost, na kterou nedostanou odpověď do 48 hodin, mají o 32 % menší pravděpodobnost, že naší aplikaci dají hodnocení vyšší než 2 v obchodě s aplikacemi. Zlepšení hodnocení naší aplikace v obchodě na 4 by zvýšilo naši viditelnost o 20–30 %, což podle mého odhadu zvýší příjmy o 10 %.“ Samozřejmě by měl být Emerson připraven tato čísla obhájit.
+
+**Vyvrcholení** Po vytvoření základního rámce by mohl Emerson přejít k vyvrcholení na dalších přibližně 5 minut.
+
+Emerson by mohl představit navrhovaná řešení, popsat, jak tato řešení řeší uvedené problémy, jak by mohla být implementována do stávajících pracovních postupů, kolik by řešení stála, jaká by byla návratnost investic, a možná i ukázat screenshoty nebo návrhy, jak by řešení vypadala po implementaci. Emerson by také mohl sdílet svědectví uživatelů, kteří čekali více než 48 hodin na vyřešení své stížnosti, a dokonce i svědectví současného zástupce zákaznické podpory ve společnosti, který by mohl komentovat aktuální systém pro správu tiketů.
+
+**Uzavření** Nyní by mohl Emerson strávit 5 minut zopakováním problémů, kterým společnost čelí, znovu projít navrhovaná řešení a shrnout, proč jsou tato řešení ta správná.
+
+**Závěr** Protože se jedná o schůzku s několika zainteresovanými stranami, kde bude probíhat obousměrná komunikace, mohl by Emerson naplánovat 10 minut na otázky, aby se ujistil, že vše, co bylo vedoucím týmů nejasné, bude objasněno před koncem schůzky.
+
+Pokud by Emerson použil přístup č. 2, je mnohem pravděpodobnější, že si vedoucí týmů ze schůzky odnesou přesně to, co Emerson zamýšlel – že způsob, jakým jsou řešeny stížnosti a chyby, by mohl být zlepšen, a že existují dvě řešení, která by mohla být zavedena, aby k tomuto zlepšení došlo. Tento přístup by byl mnohem efektivnější při komunikaci dat a příběhu, který chce Emerson sdělit.
+
+# Závěr  
+### Shrnutí hlavních bodů  
+- Komunikace znamená předávání nebo výměnu informací.  
+- Při komunikaci dat by vaším cílem nemělo být pouze předat čísla publiku. Vaším cílem by mělo být sdělit příběh, který je podložen vašimi daty.  
+- Existují dva typy komunikace: jednosměrná komunikace (informace jsou sdělovány bez očekávání odpovědi) a obousměrná komunikace (informace jsou sdělovány oběma směry).  
+- Existuje mnoho strategií, jak vyprávět příběh pomocí dat. Pět strategií, které jsme probrali, jsou:  
+  - Pochopte své publikum, médium a způsob komunikace  
+  - Začněte s koncem na mysli  
+  - Přistupujte k tomu jako k opravdovému příběhu  
+  - Používejte smysluplná slova a fráze  
+  - Využívejte emoce  
+
+### Doporučené zdroje pro samostudium  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Zopakujte si, co jste se právě naučili, pomocí výše uvedeného kvízu!  
+
+## Zadání  
+
+[Market Research](assignment.md)  
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/cs/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..bc9b73fa
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:40:11+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Vyprávějte příběh
+
+## Pokyny
+
+Data Science je především o vyprávění příběhů. Vyberte si libovolnou datovou sadu a napište krátkou práci o příběhu, který byste o ní mohli vyprávět. Co doufáte, že vaše datová sada odhalí? Co uděláte, pokud její odhalení bude problematické? Co když vaše data neodhalí své tajemství snadno? Zamyslete se nad scénáři, které vaše datová sada může představit, a zapište je.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+
+Jednostránková esej je předložena ve formátu .doc, datová sada je vysvětlena, zdokumentována, uvedena s kredity a je prezentován koherentní příběh s podrobnými příklady z dat.| Kratší esej je předložena v méně podrobném formátu | Esej postrádá některý z výše uvedených detailů.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neneseme odpovědnost za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/4-Data-Science-Lifecycle/README.md b/translations/cs/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..85750c9b
--- /dev/null
+++ b/translations/cs/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:20:53+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "cs"
+}
+-->
+# Životní cyklus datové vědy
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.cs.jpg)
+> Foto od <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> na <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V těchto lekcích prozkoumáte některé aspekty životního cyklu datové vědy, včetně analýzy a komunikace kolem dat.
+
+### Témata
+
+1. [Úvod](14-Introduction/README.md)
+2. [Analýza](15-analyzing/README.md)
+3. [Komunikace](16-communication/README.md)
+
+### Autoři
+
+Tyto lekce byly napsány s ❤️ [Jalenem McGee](https://twitter.com/JalenMCG) a [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nenese odpovědnost za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/cs/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..0d753cb0
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,115 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:06:47+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "cs"
+}
+-->
+# Úvod do datové vědy v cloudu
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Datová věda v cloudu: Úvod - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+
+V této lekci se naučíte základní principy cloudu, zjistíte, proč může být zajímavé využívat cloudové služby pro vaše projekty datové vědy, a podíváme se na několik příkladů projektů datové vědy realizovaných v cloudu. 
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Co je cloud?
+
+Cloud, nebo cloud computing, je poskytování široké škály výpočetních služeb na principu „pay-as-you-go“, které jsou hostovány na infrastruktuře přes internet. Mezi služby patří řešení jako úložiště, databáze, sítě, software, analytika a inteligentní služby.
+
+Obvykle rozlišujeme veřejný, soukromý a hybridní cloud následovně:
+
+* Veřejný cloud: veřejný cloud je vlastněn a provozován třetí stranou, poskytovatelem cloudových služeb, který poskytuje své výpočetní zdroje přes internet veřejnosti.
+* Soukromý cloud: označuje výpočetní zdroje cloudu, které jsou využívány výhradně jedním podnikem nebo organizací, přičemž služby a infrastruktura jsou udržovány na soukromé síti.
+* Hybridní cloud: hybridní cloud je systém, který kombinuje veřejné a soukromé cloudy. Uživatelé si zvolí datové centrum na místě, zatímco umožní, aby data a aplikace běžely na jednom nebo více veřejných cloudech.
+
+Většina služeb cloud computingu spadá do tří kategorií: infrastruktura jako služba (IaaS), platforma jako služba (PaaS) a software jako služba (SaaS).
+
+* Infrastruktura jako služba (IaaS): uživatelé si pronajímají IT infrastrukturu, jako jsou servery a virtuální stroje (VMs), úložiště, sítě, operační systémy.
+* Platforma jako služba (PaaS): uživatelé si pronajímají prostředí pro vývoj, testování, doručování a správu softwarových aplikací. Uživatelé se nemusí starat o nastavení nebo správu základní infrastruktury serverů, úložiště, sítí a databází potřebných pro vývoj.
+* Software jako služba (SaaS): uživatelé získávají přístup k softwarovým aplikacím přes internet, na vyžádání a obvykle na základě předplatného. Uživatelé se nemusí starat o hosting a správu softwarové aplikace, základní infrastrukturu nebo údržbu, jako jsou aktualizace softwaru a bezpečnostní záplaty.
+
+Mezi největší poskytovatele cloudových služeb patří Amazon Web Services, Google Cloud Platform a Microsoft Azure.
+
+## Proč zvolit cloud pro datovou vědu?
+
+Vývojáři a IT profesionálové si vybírají práci s cloudem z mnoha důvodů, včetně následujících:
+
+* Inovace: můžete pohánět své aplikace integrací inovativních služeb vytvořených poskytovateli cloudu přímo do svých aplikací.
+* Flexibilita: platíte pouze za služby, které potřebujete, a můžete si vybrat z široké škály služeb. Obvykle platíte podle potřeby a přizpůsobujete své služby podle svých měnících se potřeb.
+* Rozpočet: nemusíte dělat počáteční investice do nákupu hardwaru a softwaru, nastavování a provozování datových center na místě, a můžete jednoduše platit za to, co používáte.
+* Škálovatelnost: vaše zdroje se mohou přizpůsobit potřebám vašeho projektu, což znamená, že vaše aplikace mohou využívat více nebo méně výpočetního výkonu, úložiště a šířky pásma, přizpůsobením se externím faktorům v daném okamžiku.
+* Produktivita: můžete se soustředit na své podnikání místo trávení času úkoly, které může spravovat někdo jiný, jako je správa datových center.
+* Spolehlivost: cloud computing nabízí několik způsobů, jak nepřetržitě zálohovat vaše data, a můžete nastavit plány obnovy po havárii, aby vaše podnikání a služby pokračovaly i v době krize.
+* Bezpečnost: můžete využívat politiky, technologie a kontroly, které posilují bezpečnost vašeho projektu.
+
+Toto jsou některé z nejběžnějších důvodů, proč lidé volí cloudové služby. Nyní, když máme lepší pochopení toho, co cloud je a jaké jsou jeho hlavní výhody, podívejme se konkrétněji na práci datových vědců a vývojářů pracujících s daty a na to, jak jim cloud může pomoci s několika výzvami, kterým mohou čelit:
+
+* Ukládání velkého množství dat: místo nákupu, správy a ochrany velkých serverů můžete ukládat svá data přímo v cloudu, s řešeními jako Azure Cosmos DB, Azure SQL Database a Azure Data Lake Storage.
+* Provádění integrace dat: integrace dat je zásadní součástí datové vědy, která vám umožňuje přejít od sběru dat k činění rozhodnutí. S integračními službami dat nabízenými v cloudu můžete sbírat, transformovat a integrovat data z různých zdrojů do jednoho datového skladu, například pomocí Data Factory.
+* Zpracování dat: zpracování velkého množství dat vyžaduje hodně výpočetního výkonu, a ne každý má přístup k dostatečně výkonným strojům, což je důvod, proč mnoho lidí volí přímo využití obrovského výpočetního výkonu cloudu k provozování a nasazení svých řešení.
+* Využívání služeb datové analytiky: cloudové služby jako Azure Synapse Analytics, Azure Stream Analytics a Azure Databricks vám pomáhají proměnit vaše data v akční poznatky.
+* Využívání služeb strojového učení a datové inteligence: místo začínání od nuly můžete využívat algoritmy strojového učení nabízené poskytovatelem cloudu, například pomocí AzureML. Můžete také využívat kognitivní služby, jako je převod řeči na text, text na řeč, počítačové vidění a další.
+
+## Příklady datové vědy v cloudu
+
+Pojďme si to přiblížit pomocí několika scénářů.
+
+### Analýza sentimentu na sociálních sítích v reálném čase
+Začneme scénářem, který je běžně studován lidmi, kteří začínají se strojovým učením: analýza sentimentu na sociálních sítích v reálném čase.
+
+Řekněme, že provozujete zpravodajský web a chcete využít živá data k pochopení toho, o jaký obsah by mohli mít vaši čtenáři zájem. Abyste se o tom dozvěděli více, můžete vytvořit program, který provádí analýzu sentimentu v reálném čase na datech z publikací na Twitteru, na témata, která jsou relevantní pro vaše čtenáře.
+
+Klíčové ukazatele, na které se zaměříte, jsou objem tweetů na konkrétní témata (hashtagy) a sentiment, který je stanoven pomocí analytických nástrojů, které provádějí analýzu sentimentu kolem specifikovaných témat.
+
+Kroky potřebné k vytvoření tohoto projektu jsou následující:
+
+* Vytvořte event hub pro streamování vstupů, který bude sbírat data z Twitteru.
+* Nakonfigurujte a spusťte aplikaci klienta Twitteru, která bude volat Twitter Streaming API.
+* Vytvořte úlohu Stream Analytics.
+* Určete vstup a dotaz úlohy.
+* Vytvořte výstupní cíl a určete výstup úlohy.
+* Spusťte úlohu.
+
+Pro zobrazení celého procesu si přečtěte [dokumentaci](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Analýza vědeckých článků
+Podívejme se na další příklad projektu vytvořeného [Dmitrym Soshnikovem](http://soshnikov.com), jedním z autorů tohoto kurzu.
+
+Dmitry vytvořil nástroj, který analyzuje články o COVIDu. Přezkoumáním tohoto projektu uvidíte, jak můžete vytvořit nástroj, který extrahuje znalosti z vědeckých článků, získává poznatky a pomáhá výzkumníkům efektivně procházet velké kolekce článků.
+
+Podívejme se na různé kroky použité pro tento projekt:
+
+* Extrakce a předzpracování informací pomocí [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Použití [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) k paralelizaci zpracování.
+* Ukládání a dotazování informací pomocí [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Vytvoření interaktivního dashboardu pro průzkum a vizualizaci dat pomocí Power BI.
+
+Pro zobrazení celého procesu navštivte [Dmitryho blog](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Jak vidíte, cloudové služby můžeme využívat mnoha způsoby k provádění datové vědy.
+
+## Poznámka pod čarou
+
+Zdroje:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Kvíz po přednášce
+
+[Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Zadání
+
+[Průzkum trhu](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/cs/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..37f2cae5
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:09:57+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Průzkum trhu
+
+## Pokyny
+
+V této lekci jste se dozvěděli, že existuje několik významných poskytovatelů cloudových služeb. Proveďte průzkum trhu a zjistěte, co každý z nich může nabídnout datovým vědcům. Jsou jejich nabídky srovnatelné? Napište práci, ve které popíšete nabídky tří nebo více těchto poskytovatelů cloudových služeb.
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Jednostránková práce popisuje nabídky tří poskytovatelů cloudových služeb pro datovou vědu a rozlišuje mezi nimi. | Je předložena kratší práce. | Je předložena práce bez dokončené analýzy.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..21657183
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,351 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T15:56:49+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science v cloudu: Cesta "Low code/No code"
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Data Science v cloudu: Low Code - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Obsah:
+
+- [Data Science v cloudu: Cesta "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Kvíz před přednáškou](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Úvod](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Co je Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 Projekt predikce srdečního selhání:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 Dataset srdečního selhání:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Trénování modelu v Azure ML Studio pomocí Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Vytvoření pracovního prostoru Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Výpočetní zdroje](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Výběr správných možností pro výpočetní zdroje](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Vytvoření výpočetního clusteru](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Načtení datasetu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Trénování pomocí AutoML (Low code/No code)](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Nasazení modelu a využití endpointu pomocí Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Nasazení modelu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Využití endpointu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Výzva](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Kvíz po přednášce](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Přehled a samostudium](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Úkol](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. Úvod
+
+### 1.1 Co je Azure Machine Learning?
+
+Platforma Azure cloud zahrnuje více než 200 produktů a cloudových služeb navržených tak, aby vám pomohly přivést nové řešení k životu. Datoví vědci věnují mnoho úsilí průzkumu a předzpracování dat a zkoušení různých algoritmů pro trénování modelů, aby vytvořili přesné modely. Tyto úkoly jsou časově náročné a často neefektivně využívají drahý výpočetní hardware.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) je cloudová platforma pro vytváření a provozování řešení strojového učení v Azure. Obsahuje širokou škálu funkcí a možností, které pomáhají datovým vědcům připravovat data, trénovat modely, publikovat prediktivní služby a monitorovat jejich využití. Nejvýznamnější je, že zvyšuje jejich efektivitu automatizací mnoha časově náročných úkolů spojených s trénováním modelů a umožňuje jim využívat cloudové výpočetní zdroje, které se efektivně škálují, aby zvládly velké objemy dat, přičemž náklady vznikají pouze při jejich skutečném využití.
+
+Azure ML poskytuje všechny nástroje, které vývojáři a datoví vědci potřebují pro své pracovní postupy strojového učení. Mezi ně patří:
+
+- **Azure Machine Learning Studio**: webový portál v Azure Machine Learning pro možnosti trénování modelů, nasazení, automatizace, sledování a správy prostředků s nízkým nebo žádným kódem. Studio se integruje s Azure Machine Learning SDK pro bezproblémový zážitek.
+- **Jupyter Notebooks**: rychlé prototypování a testování ML modelů.
+- **Azure Machine Learning Designer**: umožňuje sestavovat experimenty přetažením modulů a poté nasazovat pipeline v prostředí s nízkým kódem.
+- **Automatizované uživatelské rozhraní strojového učení (AutoML)**: automatizuje iterativní úkoly vývoje modelů strojového učení, což umožňuje vytvářet ML modely s vysokou škálou, efektivitou a produktivitou, přičemž je zachována kvalita modelu.
+- **Označování dat**: asistovaný ML nástroj pro automatické označování dat.
+- **Rozšíření strojového učení pro Visual Studio Code**: poskytuje plnohodnotné vývojové prostředí pro vytváření a správu ML projektů.
+- **CLI pro strojové učení**: poskytuje příkazy pro správu prostředků Azure ML z příkazového řádku.
+- **Integrace s open-source frameworky** jako PyTorch, TensorFlow, Scikit-learn a mnoho dalších pro trénování, nasazení a správu celého procesu strojového učení.
+- **MLflow**: open-source knihovna pro správu životního cyklu experimentů strojového učení. **MLFlow Tracking** je komponenta MLflow, která zaznamenává a sleduje metriky trénování a artefakty modelu bez ohledu na prostředí experimentu.
+
+### 1.2 Projekt predikce srdečního selhání:
+
+Není pochyb o tom, že vytváření a budování projektů je nejlepší způsob, jak otestovat své dovednosti a znalosti. V této lekci prozkoumáme dva různé způsoby, jak vytvořit projekt datové vědy pro predikci srdečních selhání v Azure ML Studio, a to pomocí Low code/No code a pomocí Azure ML SDK, jak je znázorněno v následujícím schématu:
+
+![schéma projektu](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.cs.png)
+
+Každý způsob má své výhody a nevýhody. Cesta Low code/No code je jednodušší na začátek, protože zahrnuje práci s grafickým uživatelským rozhraním (GUI) a nevyžaduje předchozí znalosti kódu. Tento způsob umožňuje rychlé testování životaschopnosti projektu a vytvoření POC (Proof Of Concept). Jakmile však projekt roste a je třeba jej připravit na produkci, není proveditelné vytvářet prostředky prostřednictvím GUI. Je nutné vše programově automatizovat, od vytváření prostředků až po nasazení modelu. Zde se stává klíčovou znalost práce s Azure ML SDK.
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Znalost kódu      | Není vyžadována  | Vyžadována                |
+| Doba vývoje       | Rychlá a snadná  | Závisí na znalostech kódu |
+| Připravenost na produkci | Ne               | Ano                       |
+
+### 1.3 Dataset srdečního selhání:
+
+Kardiovaskulární onemocnění (CVD) jsou celosvětově hlavní příčinou úmrtí, přičemž tvoří 31 % všech úmrtí. Environmentální a behaviorální rizikové faktory, jako je užívání tabáku, nezdravá strava a obezita, fyzická nečinnost a škodlivé užívání alkoholu, mohou být použity jako vlastnosti pro odhadové modely. Schopnost odhadnout pravděpodobnost vývoje CVD by mohla být velmi užitečná pro prevenci útoků u osob s vysokým rizikem.
+
+Kaggle zpřístupnil veřejně [dataset srdečního selhání](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), který použijeme pro tento projekt. Dataset si můžete nyní stáhnout. Jedná se o tabulkový dataset s 13 sloupci (12 vlastností a 1 cílová proměnná) a 299 řádky.
+
+|    | Název proměnné            | Typ            | Popis                                                    | Příklad           |
+|----|---------------------------|----------------|----------------------------------------------------------|-------------------|
+| 1  | age                       | numerický      | věk pacienta                                             | 25                |
+| 2  | anaemia                   | boolean        | Snížení červených krvinek nebo hemoglobinu               | 0 nebo 1          |
+| 3  | creatinine_phosphokinase  | numerický      | Hladina enzymu CPK v krvi                                | 542               |
+| 4  | diabetes                  | boolean        | Zda má pacient diabetes                                  | 0 nebo 1          |
+| 5  | ejection_fraction         | numerický      | Procento krve opouštějící srdce při každé kontrakci      | 45                |
+| 6  | high_blood_pressure       | boolean        | Zda má pacient hypertenzi                                | 0 nebo 1          |
+| 7  | platelets                 | numerický      | Počet krevních destiček                                  | 149000            |
+| 8  | serum_creatinine          | numerický      | Hladina sérového kreatininu v krvi                       | 0.5               |
+| 9  | serum_sodium              | numerický      | Hladina sérového sodíku v krvi                           | jun               |
+| 10 | sex                       | boolean        | žena nebo muž                                            | 0 nebo 1          |
+| 11 | smoking                   | boolean        | Zda pacient kouří                                        | 0 nebo 1          |
+| 12 | time                      | numerický      | doba sledování (dny)                                     | 4                 |
+|----|---------------------------|----------------|----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Cíl]         | boolean        | zda pacient zemře během sledovaného období               | 0 nebo 1          |
+
+Jakmile máte dataset, můžeme začít s projektem v Azure.
+
+## 2. Trénování modelu v Azure ML Studio pomocí Low code/No code
+
+### 2.1 Vytvoření pracovního prostoru Azure ML
+
+Pro trénování modelu v Azure ML je nejprve nutné vytvořit pracovní prostor Azure ML. Pracovní prostor je nejvyšší úroveň prostředků pro Azure Machine Learning, která poskytuje centralizované místo pro práci se všemi artefakty, které vytvoříte při používání Azure Machine Learning. Pracovní prostor uchovává historii všech trénovacích běhů, včetně logů, metrik, výstupů a snímků vašich skriptů. Tyto informace využijete k určení, který trénovací běh vytvořil nejlepší model. [Více informací](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Doporučuje se používat nejaktuálnější prohlížeč kompatibilní s vaším operačním systémem. Podporované prohlížeče:
+
+- Microsoft Edge (nová verze Microsoft Edge, nejnovější verze. Ne Microsoft Edge legacy)
+- Safari (nejnovější verze, pouze Mac)
+- Chrome (nejnovější verze)
+- Firefox (nejnovější verze)
+
+Pro použití Azure Machine Learning vytvořte pracovní prostor ve svém předplatném Azure. Tento pracovní prostor pak můžete použít ke správě dat, výpočetních zdrojů, kódu, modelů a dalších artefaktů souvisejících s vašimi pracovními postupy strojového učení.
+
+> **_POZNÁMKA:_** Vaše předplatné Azure bude účtováno za úložiště dat, dokud pracovní prostor Azure Machine Learning existuje ve vašem předplatném, proto doporučujeme pracovní prostor smazat, pokud jej již nepoužíváte.
+
+1. Přihlaste se do [portálu Azure](https://ms.portal.azure.com/) pomocí přihlašovacích údajů Microsoft spojených s vaším předplatným Azure.
+2. Vyberte **＋Vytvořit prostředek**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.cs.png)
+
+   Vyhledejte Machine Learning a vyberte dlaždici Machine Learning.
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.cs.png)
+
+   Klikněte na tlačítko vytvořit.
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.cs.png)
+
+   Vyplňte nastavení následovně:
+   - Předplatné: Vaše předplatné Azure
+   - Skupina prostředků: Vytvořte nebo vyberte skupinu prostředků
+   - Název pracovního prostoru: Zadejte jedinečný název pro váš pracovní prostor
+   - Region: Vyberte geografický region nejblíže vám
+   - Účet úložiště: Poznamenejte si výchozí nový účet úložiště, který bude vytvořen pro váš pracovní prostor
+   - Klíčový trezor: Poznamenejte si výchozí nový klíčový trezor, který bude vytvořen pro váš pracovní prostor
+   - Aplikace Insights: Poznamenejte si výchozí nový prostředek aplikace Insights, který bude vytvořen pro váš pracovní prostor
+   - Registr kontejnerů: Žádný (bude vytvořen automaticky při prvním nasazení modelu do kontejneru)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.cs.png)
+
+   - Klikněte na vytvořit + zkontrolovat a poté na tlačítko vytvořit.
+3. Počkejte, až bude váš pracovní prostor vytvořen (může to trvat několik minut). Poté do něj přejděte v portálu. Najdete jej prostřednictvím služby Azure Machine Learning.
+4. Na stránce Přehled vašeho pracovního prostoru spusťte Azure Machine Learning studio (nebo otevřete novou kartu prohlížeče a přejděte na https://ml.azure.com) a přihlaste se do Azure Machine Learning studio pomocí svého účtu Microsoft. Pokud budete vyzváni, vyberte svůj adresář a předplatné Azure a svůj pracovní prostor Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.cs.png)
+
+5. V Azure Machine Learning studio přepněte ikonu ☰ v levém horním rohu pro zobrazení různých stránek v rozhraní. Tyto stránky můžete použít ke správě prostředků ve vašem pracovním prostoru.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.cs.png)
+
+Pracovní prostor můžete spravovat pomocí portálu Azure, ale pro datové vědce a inženýry provozu strojového učení poskytuje Azure Machine Learning Studio více zaměřené uživatelské rozhraní pro správu prostředků pracovního prostoru.
+
+### 2.2 Výpočetní zdroje
+
+Výpočetní zdroje jsou cloudové prostředky, na kterých můžete spouštět procesy trénování modelů a průzkumu dat. Existují čtyři typy výpočetních zdrojů, které můžete vytvořit:
+
+- **Výpočetní instance**: Vývojové pracovní stanice, které mohou datoví vědci používat k práci s daty a modely. To zahrnuje vytvoření virtuálního počítače (VM) a spuštění instance notebooku. Poté můžete trénovat model voláním výpočetního clusteru z notebooku.
+- **Výpočetní clustery**: Škálovatelné clustery virtuálních počítačů pro zpracování experimentálního kódu na vyžádání. Budete je potřebovat při trénování modelu. Výpočetní clustery mohou také využívat specializované GPU nebo CPU prostředky.
+- **Inference clustery**: Cíle nasazení pro prediktivní služby, které využívají vaše natrénované modely.
+- **Připojené výpočetní prostředky**: Odkazy na existující výpočetní prostředky Azure, jako jsou virtuální počítače nebo clustery Azure Databricks.
+
+#### 2.2.1 Výběr správných možností pro vaše výpočetní prostředky
+
+Při vytváření výpočetního prostředku je třeba zvážit několik klíčových faktorů, které mohou být zásadními rozhodnutími.
+
+**Potřebujete CPU nebo GPU?**
+
+CPU (centrální procesorová jednotka) je elektronický obvod, který vykonává instrukce tvořící počítačový program. GPU (grafická procesorová jednotka) je specializovaný elektronický obvod, který dokáže vykonávat graficky orientovaný kód velmi vysokou rychlostí.
+
+Hlavní rozdíl mezi architekturou CPU a GPU spočívá v tom, že CPU je navrženo pro rychlé zpracování široké škály úkolů (měřeno rychlostí hodin CPU), ale má omezenou paralelnost úkolů, které mohou běžet současně. GPU jsou navrženy pro paralelní výpočty, a proto jsou mnohem lepší pro úlohy hlubokého učení.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Méně nákladné                          | Více nákladné              |
+| Nižší úroveň paralelnosti              | Vyšší úroveň paralelnosti  |
+| Pomalejší při trénování modelů hlubokého učení | Optimální pro hluboké učení |
+
+**Velikost clusteru**
+
+Větší clustery jsou dražší, ale zajistí lepší odezvu. Pokud tedy máte čas, ale málo peněz, měli byste začít s malým clusterem. Naopak, pokud máte peníze, ale málo času, měli byste začít s větším clusterem.
+
+**Velikost virtuálního počítače (VM)**
+
+V závislosti na vašich časových a rozpočtových omezeních můžete měnit velikost RAM, disku, počet jader a rychlost hodin. Zvýšení všech těchto parametrů bude dražší, ale povede k lepšímu výkonu.
+
+**Dedikované nebo nízkoprioritní instance?**
+
+Nízkoprioritní instance znamená, že je přerušitelná: Microsoft Azure může tyto prostředky převzít a přiřadit je jinému úkolu, čímž přeruší vaši práci. Dedikovaná instance, nebo nepřerušitelná, znamená, že práce nebude nikdy ukončena bez vašeho svolení. Toto je další úvaha o čase vs. penězích, protože přerušitelné instance jsou levnější než dedikované.
+
+#### 2.2.2 Vytvoření výpočetního clusteru
+
+V [Azure ML workspace](https://ml.azure.com/), který jsme vytvořili dříve, přejděte na výpočetní prostředky a uvidíte různé výpočetní prostředky, o kterých jsme právě mluvili (tj. výpočetní instance, výpočetní clustery, inference clustery a připojené výpočetní prostředky). Pro tento projekt budeme potřebovat výpočetní cluster pro trénování modelu. Ve Studiu klikněte na nabídku "Compute", poté na kartu "Compute cluster" a klikněte na tlačítko "+ New" pro vytvoření výpočetního clusteru.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.cs.png)
+
+1. Vyberte své možnosti: Dedikované vs. nízkoprioritní, CPU nebo GPU, velikost VM a počet jader (pro tento projekt můžete ponechat výchozí nastavení).
+2. Klikněte na tlačítko Next.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.cs.png)
+
+3. Pojmenujte cluster.
+4. Vyberte své možnosti: Minimální/maximální počet uzlů, počet nečinných sekund před zmenšením, přístup SSH. Všimněte si, že pokud je minimální počet uzlů 0, ušetříte peníze, když je cluster nečinný. Všimněte si, že čím vyšší je maximální počet uzlů, tím kratší bude trénování. Doporučený maximální počet uzlů je 3.  
+5. Klikněte na tlačítko "Create". Tento krok může trvat několik minut.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.cs.png)
+
+Skvělé! Nyní, když máme výpočetní cluster, musíme nahrát data do Azure ML Studio.
+
+### 2.3 Nahrání datasetu
+
+1. V [Azure ML workspace](https://ml.azure.com/), který jsme vytvořili dříve, klikněte na "Datasets" v levém menu a klikněte na tlačítko "+ Create dataset" pro vytvoření datasetu. Vyberte možnost "From local files" a vyberte Kaggle dataset, který jsme stáhli dříve.
+   
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.cs.png)
+
+2. Pojmenujte dataset, zadejte typ a popis. Klikněte na Next. Nahrajte data ze souborů. Klikněte na Next.
+   
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.cs.png)
+
+3. Ve schématu změňte datový typ na Boolean pro následující vlastnosti: anaemia, diabetes, high blood pressure, sex, smoking a DEATH_EVENT. Klikněte na Next a poté na Create.
+   
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.cs.png)
+
+Skvělé! Nyní, když je dataset připraven a výpočetní cluster vytvořen, můžeme začít s trénováním modelu!
+
+### 2.4 Trénování s nízkým/žádným kódem pomocí AutoML
+
+Tradiční vývoj modelů strojového učení je náročný na zdroje, vyžaduje značné odborné znalosti a čas na vytvoření a porovnání desítek modelů. Automatizované strojové učení (AutoML) je proces automatizace časově náročných, iterativních úkolů vývoje modelů strojového učení. Umožňuje datovým vědcům, analytikům a vývojářům vytvářet modely ML ve velkém měřítku, efektivně a produktivně, přičemž zachovává kvalitu modelu. Snižuje čas potřebný k vytvoření modelů ML připravených pro produkci, a to s velkou lehkostí a efektivitou. [Více informací](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. V [Azure ML workspace](https://ml.azure.com/), který jsme vytvořili dříve, klikněte na "Automated ML" v levém menu a vyberte dataset, který jste právě nahráli. Klikněte na Next.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.cs.png)
+
+2. Zadejte nový název experimentu, cílový sloupec (DEATH_EVENT) a výpočetní cluster, který jsme vytvořili. Klikněte na Next.
+   
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.cs.png)
+
+3. Vyberte "Classification" a klikněte na Finish. Tento krok může trvat 30 minut až 1 hodinu, v závislosti na velikosti vašeho výpočetního clusteru.
+    
+    ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.cs.png)
+
+4. Po dokončení běhu klikněte na kartu "Automated ML", klikněte na svůj běh a poté na algoritmus v kartě "Best model summary".
+    
+    ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.cs.png)
+
+Zde můžete vidět podrobný popis nejlepšího modelu, který AutoML vygeneroval. Můžete také prozkoumat další modely v kartě Models. Věnujte několik minut prozkoumání modelů v sekci Explanations (preview). Jakmile si vyberete model, který chcete použít (zde vybereme nejlepší model vybraný AutoML), podíváme se, jak jej nasadit.
+
+## 3. Nasazení modelu a spotřeba endpointu s nízkým/žádným kódem
+### 3.1 Nasazení modelu
+
+Rozhraní automatizovaného strojového učení umožňuje nasadit nejlepší model jako webovou službu v několika krocích. Nasazení je integrace modelu tak, aby mohl provádět predikce na základě nových dat a identifikovat potenciální oblasti příležitostí. Pro tento projekt nasazení na webovou službu znamená, že lékařské aplikace budou moci využívat model k provádění živých predikcí rizika srdečního infarktu u pacientů.
+
+V popisu nejlepšího modelu klikněte na tlačítko "Deploy".
+    
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.cs.png)
+
+15. Zadejte název, popis, typ výpočetního prostředku (Azure Container Instance), povolte ověřování a klikněte na Deploy. Tento krok může trvat přibližně 20 minut. Proces nasazení zahrnuje několik kroků, včetně registrace modelu, generování prostředků a jejich konfigurace pro webovou službu. Stavová zpráva se zobrazí pod stavem nasazení. Pravidelně klikněte na Refresh pro kontrolu stavu nasazení. Nasazení je dokončeno a běží, když je stav "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.cs.png)
+
+16. Po nasazení klikněte na kartu Endpoint a klikněte na endpoint, který jste právě nasadili. Zde najdete všechny podrobnosti, které potřebujete vědět o endpointu.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.cs.png)
+
+Úžasné! Nyní, když máme model nasazený, můžeme začít se spotřebou endpointu.
+
+### 3.2 Spotřeba endpointu
+
+Klikněte na kartu "Consume". Zde najdete REST endpoint a python skript v možnosti spotřeby. Věnujte čas přečtení python kódu.
+
+Tento skript lze spustit přímo z vašeho lokálního počítače a bude spotřebovávat váš endpoint.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.cs.png)
+
+Věnujte pozornost těmto dvěma řádkům kódu:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Proměnná `url` je REST endpoint nalezený na kartě consume a proměnná `api_key` je primární klíč také nalezený na kartě consume (pouze v případě, že jste povolili ověřování). Takto může skript spotřebovávat endpoint.
+
+18. Po spuštění skriptu byste měli vidět následující výstup:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+To znamená, že predikce srdečního selhání pro zadaná data je pravdivá. To dává smysl, protože pokud se podíváte blíže na data automaticky generovaná ve skriptu, vše je ve výchozím nastavení na 0 a false. Můžete změnit data pomocí následujícího vzorového vstupu:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+Skript by měl vrátit:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Gratulujeme! Právě jste spotřebovali nasazený model a trénovali jej na Azure ML!
+
+> **_POZNÁMKA:_** Jakmile projekt dokončíte, nezapomeňte smazat všechny prostředky.
+## 🚀 Výzva
+
+Podívejte se podrobně na vysvětlení modelu a detaily, které AutoML vygeneroval pro nejlepší modely. Pokuste se pochopit, proč je nejlepší model lepší než ostatní. Jaké algoritmy byly porovnávány? Jaké jsou mezi nimi rozdíly? Proč je nejlepší model v tomto případě výkonnější?
+
+## [Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Přehled a samostudium
+
+V této lekci jste se naučili, jak trénovat, nasazovat a spotřebovávat model pro predikci rizika srdečního selhání s nízkým/žádným kódem v cloudu. Pokud jste to ještě neudělali, ponořte se hlouběji do vysvětlení modelu, která AutoML vygeneroval pro nejlepší modely, a pokuste se pochopit, proč je nejlepší model lepší než ostatní.
+
+Můžete se dále věnovat AutoML s nízkým/žádným kódem přečtením této [dokumentace](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Zadání
+
+[Projekt Data Science s nízkým/žádným kódem na Azure ML](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..5eb062ba
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:30+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Projekt Data Science s nízkým kódem/bez kódu na Azure ML
+
+## Instrukce
+
+Viděli jsme, jak používat platformu Azure ML k trénování, nasazení a využívání modelu způsobem s nízkým kódem/bez kódu. Nyní se podívejte po nějakých datech, která byste mohli použít k trénování jiného modelu, jeho nasazení a využívání. Můžete hledat datové sady na [Kaggle](https://kaggle.com) a [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Hodnocení
+
+| Vynikající | Přiměřené | Potřebuje zlepšení |
+|-----------|-----------|--------------------|
+|Při nahrávání dat jste se postarali o změnu typu vlastností, pokud to bylo nutné. Také jste data vyčistili, pokud to bylo potřeba. Provedli jste trénování na datové sadě pomocí AutoML a zkontrolovali jste vysvětlení modelu. Nasadili jste nejlepší model a byli jste schopni jej využívat. | Při nahrávání dat jste se postarali o změnu typu vlastností, pokud to bylo nutné. Provedli jste trénování na datové sadě pomocí AutoML, nasadili jste nejlepší model a byli jste schopni jej využívat. | Nasadili jste nejlepší model trénovaný pomocí AutoML a byli jste schopni jej využívat. |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/cs/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..0eef5dff
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,325 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:13:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science v cloudu: Cesta s "Azure ML SDK"
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Data Science v cloudu: Azure ML SDK - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Obsah:
+
+- [Data Science v cloudu: Cesta s "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Kvíz před lekcí](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Úvod](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Co je Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Projekt predikce srdečního selhání a představení datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Trénování modelu s Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Vytvoření pracovního prostoru Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Vytvoření výpočetní instance](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Načtení datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Vytváření notebooků](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Trénování modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Nastavení pracovního prostoru, experimentu, výpočetního clusteru a datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Konfigurace AutoML a trénování](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Nasazení modelu a využití endpointu s Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Uložení nejlepšího modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Nasazení modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Využití endpointu](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Výzva](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Kvíz po lekci](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Recenze a samostudium](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Úkol](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Úvod
+
+### 1.1 Co je Azure ML SDK?
+
+Datoví vědci a vývojáři AI používají Azure Machine Learning SDK k vytváření a provozování workflow strojového učení pomocí služby Azure Machine Learning. Se službou můžete pracovat v jakémkoli prostředí pro Python, včetně Jupyter Notebooků, Visual Studio Code nebo vašeho oblíbeného Python IDE.
+
+Klíčové oblasti SDK zahrnují:
+
+- Prozkoumání, přípravu a správu životního cyklu datasetů používaných v experimentech strojového učení.
+- Správu cloudových zdrojů pro monitorování, logování a organizaci experimentů strojového učení.
+- Trénování modelů lokálně nebo s využitím cloudových zdrojů, včetně trénování modelů akcelerovaných GPU.
+- Použití automatizovaného strojového učení, které přijímá konfigurační parametry a trénovací data. Automaticky iteruje přes algoritmy a nastavení hyperparametrů, aby našlo nejlepší model pro predikce.
+- Nasazení webových služeb pro převod vašich trénovaných modelů na RESTful služby, které lze využít v jakékoli aplikaci.
+
+[Zjistěte více o Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+V [předchozí lekci](../18-Low-Code/README.md) jsme si ukázali, jak trénovat, nasazovat a využívat model v režimu Low code/No code. Použili jsme dataset srdečního selhání k vytvoření modelu predikce srdečního selhání. V této lekci uděláme totéž, ale s využitím Azure Machine Learning SDK.
+
+![schéma-projektu](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.cs.png)
+
+### 1.2 Projekt predikce srdečního selhání a představení datasetu
+
+Podívejte se [zde](../18-Low-Code/README.md) na představení projektu predikce srdečního selhání a datasetu.
+
+## 2. Trénování modelu s Azure ML SDK
+
+### 2.1 Vytvoření pracovního prostoru Azure ML
+
+Pro jednoduchost budeme pracovat v Jupyter notebooku. To znamená, že již máte pracovní prostor a výpočetní instanci. Pokud již máte pracovní prostor, můžete přejít přímo do sekce 2.3 Vytváření notebooků.
+
+Pokud ne, postupujte podle pokynů v sekci **2.1 Vytvoření pracovního prostoru Azure ML** v [předchozí lekci](../18-Low-Code/README.md) pro vytvoření pracovního prostoru.
+
+### 2.2 Vytvoření výpočetní instance
+
+V [pracovním prostoru Azure ML](https://ml.azure.com/), který jsme vytvořili dříve, přejděte do nabídky Compute a uvidíte různé dostupné výpočetní zdroje.
+
+![výpočetní-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.cs.png)
+
+Vytvořme výpočetní instanci pro zajištění Jupyter notebooku.  
+1. Klikněte na tlačítko + New.  
+2. Pojmenujte svou výpočetní instanci.  
+3. Vyberte možnosti: CPU nebo GPU, velikost VM a počet jader.  
+4. Klikněte na tlačítko Create.  
+
+Gratulujeme, právě jste vytvořili výpočetní instanci! Tuto výpočetní instanci použijeme k vytvoření notebooku v sekci [Vytváření notebooků](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Načtení datasetu
+
+Pokud jste dataset ještě nenahráli, podívejte se na sekci **2.3 Načtení datasetu** v [předchozí lekci](../18-Low-Code/README.md).
+
+### 2.4 Vytváření notebooků
+
+> **_POZNÁMKA:_** Pro další krok můžete buď vytvořit nový notebook od začátku, nebo nahrát [notebook, který jsme vytvořili](notebook.ipynb), do Azure ML Studio. Pro nahrání stačí kliknout na nabídku "Notebook" a nahrát notebook.
+
+Notebooky jsou velmi důležitou součástí procesu datové vědy. Mohou být použity k provádění průzkumné analýzy dat (EDA), volání výpočetního clusteru pro trénování modelu nebo volání inferenčního clusteru pro nasazení endpointu.
+
+Pro vytvoření notebooku potřebujeme výpočetní uzel, který poskytuje instanci Jupyter notebooku. Vraťte se do [pracovního prostoru Azure ML](https://ml.azure.com/) a klikněte na Compute instances. V seznamu výpočetních instancí byste měli vidět [výpočetní instanci, kterou jsme vytvořili dříve](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+1. V sekci Applications klikněte na možnost Jupyter.  
+2. Zaškrtněte políčko "Yes, I understand" a klikněte na tlačítko Continue.  
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.cs.png)  
+3. Otevře se nové okno prohlížeče s vaší instancí Jupyter notebooku. Klikněte na tlačítko "New" pro vytvoření notebooku.  
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.cs.png)
+
+Nyní, když máme notebook, můžeme začít trénovat model s Azure ML SDK.
+
+### 2.5 Trénování modelu
+
+Pokud si nejste jistí, podívejte se na [dokumentaci Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Obsahuje všechny potřebné informace k pochopení modulů, které uvidíme v této lekci.
+
+#### 2.5.1 Nastavení pracovního prostoru, experimentu, výpočetního clusteru a datasetu
+
+Pracovní prostor načtete z konfiguračního souboru pomocí následujícího kódu:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Tím získáte objekt typu `Workspace`, který reprezentuje pracovní prostor. Poté musíte vytvořit `experiment` pomocí následujícího kódu:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+
+Pro získání nebo vytvoření experimentu z pracovního prostoru požádáte o experiment podle jeho názvu. Název experimentu musí mít 3–36 znaků, začínat písmenem nebo číslem a může obsahovat pouze písmena, čísla, podtržítka a pomlčky. Pokud experiment v pracovním prostoru neexistuje, vytvoří se nový.
+
+Nyní musíte vytvořit výpočetní cluster pro trénování pomocí následujícího kódu. Tento krok může trvat několik minut.
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Dataset můžete získat z pracovního prostoru podle názvu datasetu následujícím způsobem:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+
+#### 2.5.2 Konfigurace AutoML a trénování
+
+Pro nastavení konfigurace AutoML použijte třídu [AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Jak je popsáno v dokumentaci, existuje mnoho parametrů, se kterými můžete pracovat. Pro tento projekt použijeme následující parametry:
+
+- `experiment_timeout_minutes`: Maximální doba (v minutách), po kterou je experiment povolen běžet, než se automaticky zastaví a výsledky se zpřístupní.
+- `max_concurrent_iterations`: Maximální počet souběžných iterací trénování povolených pro experiment.
+- `primary_metric`: Primární metrika používaná k určení stavu experimentu.
+- `compute_target`: Cílový výpočetní prostředek Azure Machine Learning, na kterém bude experiment automatizovaného strojového učení spuštěn.
+- `task`: Typ úlohy, která má být spuštěna. Hodnoty mohou být 'classification', 'regression' nebo 'forecasting' v závislosti na typu problému automatizovaného ML.
+- `training_data`: Trénovací data, která budou použita v experimentu. Měla by obsahovat jak trénovací prvky, tak sloupec s popisky (volitelně sloupec s váhami vzorků).
+- `label_column_name`: Název sloupce s popisky.
+- `path`: Plná cesta k projektu Azure Machine Learning.
+- `enable_early_stopping`: Zda povolit předčasné ukončení, pokud se skóre krátkodobě nezlepšuje.
+- `featurization`: Indikátor, zda má být krok featurizace proveden automaticky, nebo zda má být použita přizpůsobená featurizace.
+- `debug_log`: Soubor logu pro zapisování ladicích informací.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+
+Nyní, když máte konfiguraci nastavenou, můžete model trénovat pomocí následujícího kódu. Tento krok může trvat až hodinu v závislosti na velikosti vašeho clusteru.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+
+Můžete spustit widget RunDetails pro zobrazení různých experimentů.
+
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+
+## 3. Nasazení modelu a využití endpointu s Azure ML SDK
+
+### 3.1 Uložení nejlepšího modelu
+
+`remote_run` je objekt typu [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Tento objekt obsahuje metodu `get_output()`, která vrací nejlepší běh a odpovídající natrénovaný model.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+
+Parametry použité pro nejlepší model můžete zobrazit jednoduše vypsáním `fitted_model` a vlastnosti nejlepšího modelu zjistíte pomocí metody [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Nyní model zaregistrujte pomocí metody [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+
+### 3.2 Nasazení modelu
+
+Jakmile je nejlepší model uložen, můžeme jej nasadit pomocí třídy [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig představuje konfigurační nastavení pro vlastní prostředí používané pro nasazení. Třída [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) představuje model strojového učení nasazený jako endpoint webové služby na Azure Container Instances. Nasazená služba je vytvořena z modelu, skriptu a přidružených souborů. Výsledná webová služba je vyvážený HTTP endpoint s REST API. Na toto API můžete posílat data a přijímat predikce vrácené modelem.
+
+Model je nasazen pomocí metody [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+
+Tento krok by měl trvat několik minut.
+
+### 3.3 Využití endpointu
+
+Endpoint využijete vytvořením ukázkového vstupu:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+
+A poté můžete tento vstup poslat vašemu modelu pro predikci:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```  
+Toto by mělo vrátit `'{"result": [false]}'`. To znamená, že vstup pacienta, který jsme poslali na endpoint, vygeneroval predikci `false`, což znamená, že tato osoba pravděpodobně nedostane infarkt.
+
+Gratulujeme! Právě jste použili model nasazený a natrénovaný na Azure ML pomocí Azure ML SDK!
+
+> **_NOTE:_** Jakmile dokončíte projekt, nezapomeňte smazat všechny zdroje.
+
+## 🚀 Výzva
+
+Existuje mnoho dalších věcí, které můžete pomocí SDK dělat, bohužel je nemůžeme všechny probrat v této lekci. Ale dobrá zpráva je, že naučit se procházet dokumentaci SDK vám může velmi pomoci. Podívejte se na dokumentaci Azure ML SDK a najděte třídu `Pipeline`, která vám umožní vytvářet pipeline. Pipeline je kolekce kroků, které lze provádět jako workflow.
+
+**TIP:** Přejděte na [dokumentaci SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) a zadejte klíčová slova do vyhledávacího pole, například "Pipeline". Ve výsledcích vyhledávání byste měli najít třídu `azureml.pipeline.core.Pipeline`.
+
+## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Přehled a samostudium
+
+V této lekci jste se naučili, jak natrénovat, nasadit a použít model k predikci rizika srdečního selhání pomocí Azure ML SDK v cloudu. Podívejte se na tuto [dokumentaci](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) pro další informace o Azure ML SDK. Zkuste vytvořit svůj vlastní model pomocí Azure ML SDK.
+
+## Zadání
+
+[Projekt Data Science pomocí Azure ML SDK](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/cs/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..a354e832
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:17+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Projekt Data Science pomocí Azure ML SDK
+
+## Pokyny
+
+Viděli jsme, jak používat platformu Azure ML k trénování, nasazení a využívání modelu pomocí Azure ML SDK. Nyní se podívejte po nějakých datech, která byste mohli použít k trénování jiného modelu, jeho nasazení a využívání. Můžete hledat datové sady na [Kaggle](https://kaggle.com) a [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Hodnocení
+
+| Vynikající | Přiměřené | Potřebuje zlepšení |
+|-----------|-----------|--------------------|
+|Při konfiguraci AutoML jste prošli dokumentaci SDK, abyste zjistili, jaké parametry můžete použít. Spustili jste trénování na datové sadě pomocí AutoML v Azure ML SDK a zkontrolovali jste vysvětlení modelu. Nasadili jste nejlepší model a byli jste schopni jej využívat pomocí Azure ML SDK. | Spustili jste trénování na datové sadě pomocí AutoML v Azure ML SDK a zkontrolovali jste vysvětlení modelu. Nasadili jste nejlepší model a byli jste schopni jej využívat pomocí Azure ML SDK. | Spustili jste trénování na datové sadě pomocí AutoML v Azure ML SDK. Nasadili jste nejlepší model a byli jste schopni jej využívat pomocí Azure ML SDK. |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/5-Data-Science-In-Cloud/README.md b/translations/cs/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..f2afd4ac
--- /dev/null
+++ b/translations/cs/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:52:59+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science v cloudu
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.cs.jpg)
+
+> Foto od [Jelleke Vanooteghem](https://unsplash.com/@ilumire) z [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Pokud jde o práci s datovou vědou a velkými daty, cloud může být skutečným průlomem. V následujících třech lekcích si vysvětlíme, co je to cloud a proč může být velmi užitečný. Také prozkoumáme dataset o srdečním selhání a vytvoříme model, který pomůže odhadnout pravděpodobnost, že někdo trpí srdečním selháním. Využijeme sílu cloudu k trénování, nasazení a využití modelu dvěma různými způsoby. Jeden způsob bude využívat pouze uživatelské rozhraní v režimu Low code/No code, druhý způsob bude využívat Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.cs.png)
+
+### Témata
+
+1. [Proč používat cloud pro datovou vědu?](17-Introduction/README.md)  
+2. [Datová věda v cloudu: Způsob "Low code/No code"](18-Low-Code/README.md)  
+3. [Datová věda v cloudu: Způsob "Azure ML SDK"](19-Azure/README.md)  
+
+### Poděkování  
+Tyto lekce byly napsány s ☁️ a 💕 od [Maud Levy](https://twitter.com/maudstweets) a [Tiffany Souterre](https://twitter.com/TiffanySouterre).  
+
+Data pro projekt predikce srdečního selhání pocházejí od [
+Larxel](https://www.kaggle.com/andrewmvd) na [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Jsou licencována pod [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/).  
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..83687346
--- /dev/null
+++ b/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,155 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:46:43+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science v reálném světě
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Data Science v reálném světě - _Sketchnote od [@nitya](https://twitter.com/nitya)_               |
+
+Jsme téměř na konci této vzdělávací cesty!
+
+Začali jsme definicemi data science a etiky, prozkoumali různé nástroje a techniky pro analýzu a vizualizaci dat, přezkoumali životní cyklus data science a podívali se na škálování a automatizaci pracovních postupů data science pomocí cloudových služeb. Možná si teď říkáte: _"Jak přesně mohu všechny tyto poznatky aplikovat v reálném světě?"_
+
+V této lekci prozkoumáme reálné aplikace data science napříč průmyslem a ponoříme se do konkrétních příkladů v oblasti výzkumu, digitálních humanitních věd a udržitelnosti. Podíváme se na příležitosti studentských projektů a zakončíme užitečnými zdroji, které vám pomohou pokračovat ve vaší vzdělávací cestě!
+
+## Kvíz před přednáškou
+
+[Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Data Science + průmysl
+
+Díky demokratizaci AI je pro vývojáře nyní snazší navrhovat a integrovat rozhodování řízené AI a poznatky založené na datech do uživatelských zkušeností a vývojových pracovních postupů. Zde je několik příkladů, jak je data science "aplikována" v reálných aplikacích napříč průmyslem:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) využíval data science k propojení vyhledávacích dotazů s trendy chřipky. Přestože měl tento přístup své nedostatky, upozornil na možnosti (a výzvy) predikcí ve zdravotnictví založených na datech.
+
+ * [Predikce tras UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - popisuje, jak UPS využívá data science a strojové učení k predikci optimálních tras pro doručování s ohledem na povětrnostní podmínky, dopravní situaci, termíny doručení a další faktory.
+
+ * [Vizualizace tras taxíků v NYC](http://chriswhong.github.io/nyctaxi/) - data získaná pomocí [zákonů o svobodném přístupu k informacím](https://chriswhong.com/open-data/foil_nyc_taxi/) pomohla vizualizovat denní provoz taxíků v NYC, což nám umožňuje pochopit, jak se pohybují po městě, kolik vydělávají a jak dlouho trvají jednotlivé jízdy během 24 hodin.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - využívá data (o místech vyzvednutí a vysazení, délce jízdy, preferovaných trasách atd.) shromážděná z milionů jízd Uberu *denně* k vytvoření analytického nástroje, který pomáhá s cenotvorbou, bezpečností, detekcí podvodů a navigačními rozhodnutími.
+
+ * [Sportovní analytika](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - zaměřuje se na _prediktivní analytiku_ (analýza týmů a hráčů - viz [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - a řízení fanoušků) a _vizualizaci dat_ (dashboardy týmů a fanoušků, hry atd.) s aplikacemi jako skauting talentů, sportovní sázení a řízení zásob/areálů.
+
+ * [Data Science v bankovnictví](https://data-flair.training/blogs/data-science-in-banking/) - zdůrazňuje hodnotu data science ve finančním sektoru s aplikacemi od modelování rizik a detekce podvodů po segmentaci zákazníků, predikce v reálném čase a doporučovací systémy. Prediktivní analytika také podporuje klíčová opatření, jako jsou [kreditní skóre](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Data Science ve zdravotnictví](https://data-flair.training/blogs/data-science-in-healthcare/) - zdůrazňuje aplikace jako lékařské zobrazování (např. MRI, rentgen, CT), genomiku (sekvenování DNA), vývoj léků (hodnocení rizik, predikce úspěšnosti), prediktivní analytiku (péče o pacienty a logistika zásob), sledování a prevence nemocí atd.
+
+![Aplikace Data Science v reálném světě](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.cs.png) Zdroj obrázku: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+Obrázek ukazuje další oblasti a příklady aplikace technik data science. Chcete prozkoumat další aplikace? Podívejte se na sekci [Přehled a samostudium](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) níže.
+
+## Data Science + výzkum
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Data Science & výzkum - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+Zatímco reálné aplikace se často zaměřují na průmyslové případy ve velkém měřítku, aplikace a projekty ve _výzkumu_ mohou být užitečné ze dvou hledisek:
+
+* _příležitosti k inovacím_ - zkoumání rychlého prototypování pokročilých konceptů a testování uživatelských zkušeností pro aplikace nové generace.
+* _výzvy při nasazení_ - zkoumání potenciálních škod nebo neúmyslných důsledků technologií data science v reálných kontextech.
+
+Pro studenty mohou tyto výzkumné projekty poskytnout jak příležitosti k učení, tak ke spolupráci, což může zlepšit jejich porozumění tématu a rozšířit povědomí a zapojení s relevantními lidmi nebo týmy pracujícími v oblastech zájmu. Jak tedy výzkumné projekty vypadají a jaký mohou mít dopad?
+
+Podívejme se na jeden příklad - [MIT Gender Shades Study](http://gendershades.org/overview.html) od Joy Buolamwini (MIT Media Labs) s [významným výzkumným článkem](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) spoluautorky Timnit Gebru (tehdy v Microsoft Research), který se zaměřil na:
+
+ * **Co:** Cílem výzkumného projektu bylo _vyhodnotit přítomnost zaujatosti v algoritmech a datových sadách pro automatizovanou analýzu obličejů_ na základě pohlaví a typu pleti.
+ * **Proč:** Analýza obličejů se používá v oblastech jako vymáhání práva, letištní bezpečnost, náborové systémy a další - kontexty, kde nepřesné klasifikace (např. kvůli zaujatosti) mohou způsobit ekonomické a sociální škody dotčeným jednotlivcům nebo skupinám. Porozumění (a eliminace nebo zmírnění) zaujatosti je klíčem k férovosti při používání.
+ * **Jak:** Výzkumníci si uvědomili, že stávající benchmarky používaly převážně subjekty se světlejší pletí, a vytvořili novou datovou sadu (1000+ obrázků), která byla _vyváženější_ podle pohlaví a typu pleti. Tato datová sada byla použita k vyhodnocení přesnosti tří produktů pro klasifikaci pohlaví (od Microsoftu, IBM a Face++).
+
+Výsledky ukázaly, že přestože celková přesnost klasifikace byla dobrá, existoval znatelný rozdíl v chybovosti mezi různými podskupinami - s **nesprávným určením pohlaví** častějším u žen nebo osob s tmavší pletí, což naznačuje zaujatost.
+
+**Klíčové výsledky:** Zvýšení povědomí o tom, že data science potřebuje více _reprezentativních datových sad_ (vyvážené podskupiny) a více _inkluzivních týmů_ (různorodé zázemí), aby bylo možné rozpoznat a eliminovat nebo zmírnit takové zaujatosti dříve v AI řešeních. Výzkumné úsilí, jako je toto, je také klíčové pro definování principů a postupů pro _zodpovědnou AI_ v mnoha organizacích, aby se zlepšila férovost jejich AI produktů a procesů.
+
+**Chcete se dozvědět o relevantních výzkumných aktivitách v Microsoftu?**
+
+* Podívejte se na [výzkumné projekty Microsoftu](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) v oblasti umělé inteligence.
+* Prozkoumejte studentské projekty z [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Podívejte se na projekt [Fairlearn](https://fairlearn.org/) a iniciativy [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Data Science + humanitní vědy
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Data Science & digitální humanitní vědy - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+Digitální humanitní vědy [byly definovány](https://digitalhumanities.stanford.edu/about-dh-stanford) jako "soubor praktik a přístupů kombinujících výpočetní metody s humanitním bádáním". [Projekty Stanfordu](https://digitalhumanities.stanford.edu/projects) jako _"rebooting history"_ a _"poetic thinking"_ ilustrují propojení mezi [digitálními humanitními vědami a data science](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - zdůrazňují techniky jako analýza sítí, vizualizace informací, prostorová a textová analýza, které nám mohou pomoci znovu prozkoumat historické a literární datové sady a získat nové poznatky a perspektivy.
+
+*Chcete prozkoumat a rozšířit projekt v této oblasti?*
+
+Podívejte se na ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - skvělý příklad od [Jen Looper](https://twitter.com/jenlooper), který se ptá, jak můžeme pomocí data science znovu prozkoumat známou poezii a přehodnotit její význam a přínos její autorky v nových kontextech. Například, _můžeme předpovědět roční období, ve kterém byla báseň napsána, analýzou jejího tónu nebo sentimentu_ - a co nám to říká o stavu mysli autorky během daného období?
+
+K zodpovězení této otázky následujeme kroky životního cyklu data science:
+ * [`Získávání dat`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - sběr relevantní datové sady pro analýzu. Možnosti zahrnují použití API (např. [Poetry DB API](https://poetrydb.org/index.html)) nebo scraping webových stránek (např. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) pomocí nástrojů jako [Scrapy](https://scrapy.org/).
+ * [`Čištění dat`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - vysvětluje, jak lze text formátovat, čistit a zjednodušovat pomocí základních nástrojů jako Visual Studio Code a Microsoft Excel.
+ * [`Analýza dat`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - vysvětluje, jak můžeme nyní importovat datovou sadu do "notebooků" pro analýzu pomocí Python knihoven (jako pandas, numpy a matplotlib) k organizaci a vizualizaci dat.
+ * [`Analýza sentimentu`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - vysvětluje, jak můžeme integrovat cloudové služby jako Text Analytics, pomocí nástrojů s nízkým kódem jako [Power Automate](https://flow.microsoft.com/en-us/) pro automatizované pracovní postupy zpracování dat.
+
+Pomocí tohoto pracovního postupu můžeme zkoumat sezónní vlivy na sentiment básní a pomoci nám vytvořit vlastní pohledy na autorku. Vyzkoušejte si to sami - a poté rozšiřte notebook o další otázky nebo vizualizujte data novými způsoby!
+
+> Můžete použít některé nástroje z [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) k prozkoumání těchto otázek.
+
+## Data Science + udržitelnost
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Data Science & udržitelnost - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+[Agenda 2030 pro udržitelný rozvoj](https://sdgs.un.org/2030agenda) - přijatá všemi členy OSN v roce 2015 - identifikuje 17 cílů, včetně těch, které se zaměřují na **ochranu planety** před degradací a dopady změny klimatu. Iniciativa [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) podporuje tyto cíle zkoumáním způsobů, jak mohou technologická řešení podpořit a budovat udržitelnější budoucnost se [zaměřením na 4 cíle](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - být uhlíkově negativní, vodně pozitivní, bez odpadu a biodiverzní do roku 2030.
+
+Řešení těchto výzev ve škálovatelném a včasném měřítku vyžaduje myšlení v měřítku cloudu - a velká data. Iniciativa [Planetary Computer](https://planetarycomputer.microsoft.com/) poskytuje 4 komponenty, které pomáhají datovým vědcům a vývojářům v tomto úsilí:
+
+ * [Katalog dat](https://planetarycomputer.microsoft.com/catalog) - s petabajty dat o zemských systémech (zdarma a hostováno na Azure).
+ * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - pomáhá uživatelům vyhledávat relevantní data napříč prostorem a časem.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - spravované prostředí pro vědce ke zpracování masivních geodatových sad.
+ * [Aplikace](https://planetarycomputer.microsoft.com/applications) - ukázky případů použití a nástrojů pro udržitelné poznatky.
+**Projekt Planetary Computer je aktuálně v náhledu (k září 2021)** - zde je návod, jak začít přispívat k řešením udržitelnosti pomocí datové vědy.
+
+* [Požádejte o přístup](https://planetarycomputer.microsoft.com/account/request) a začněte s průzkumem a propojením s ostatními.
+* [Prozkoumejte dokumentaci](https://planetarycomputer.microsoft.com/docs/overview/about), abyste porozuměli podporovaným datovým sadám a API.
+* Pro inspiraci na aplikační nápady prozkoumejte aplikace jako [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/).
+
+Přemýšlejte o tom, jak můžete využít vizualizaci dat k odhalení nebo zdůraznění relevantních poznatků v oblastech, jako je změna klimatu a odlesňování. Nebo přemýšlejte o tom, jak lze poznatky využít k vytvoření nových uživatelských zážitků, které motivují ke změně chování směrem k udržitelnějšímu životnímu stylu.
+
+## Datová věda + studenti
+
+Mluvili jsme o aplikacích v reálném světě v průmyslu a výzkumu a prozkoumali příklady aplikací datové vědy v digitálních humanitních vědách a udržitelnosti. Jak si tedy můžete jako začátečníci v datové vědě budovat dovednosti a sdílet své znalosti?
+
+Zde je několik příkladů studentských projektů v oblasti datové vědy, které vás mohou inspirovat.
+
+* [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) s GitHub [projekty](https://github.com/msr-ds3), které zkoumají témata jako:
+   - [Rasová zaujatost při použití síly policií](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+   - [Spolehlivost systému metra v NYC](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+* [Digitalizace materiální kultury: Zkoumání socioekonomických rozložení v Sirkapu](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - od [Ornella Altunyan](https://twitter.com/ornelladotcom) a týmu z Claremontu, s využitím [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Výzva
+
+Vyhledejte články, které doporučují projekty datové vědy vhodné pro začátečníky - například [těchto 50 témat](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [těchto 21 nápadů na projekty](https://www.intellspot.com/data-science-project-ideas) nebo [těchto 16 projektů se zdrojovým kódem](https://data-flair.training/blogs/data-science-project-ideas/), které můžete rozebrat a znovu sestavit. Nezapomeňte také blogovat o svých učebních cestách a sdílet své poznatky s námi všemi.
+
+## Kvíz po přednášce
+
+[Kvíz po přednášce](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Přehled a samostudium
+
+Chcete prozkoumat více případů použití? Zde je několik relevantních článků:
+* [17 aplikací a příkladů datové vědy](https://builtin.com/data-science/data-science-applications-examples) - červenec 2021
+* [11 úchvatných aplikací datové vědy v reálném světě](https://myblindbird.com/data-science-applications-real-world/) - květen 2021
+* [Datová věda v reálném světě](https://towardsdatascience.com/data-science-in-the-real-world/home) - sbírka článků
+* Datová věda v: [vzdělávání](https://data-flair.training/blogs/data-science-in-education/), [zemědělství](https://data-flair.training/blogs/data-science-in-agriculture/), [financích](https://data-flair.training/blogs/data-science-in-finance/), [filmech](https://data-flair.training/blogs/data-science-at-movies/) a dalších oblastech.
+
+## Zadání
+
+[Prozkoumejte datovou sadu Planetary Computer](assignment.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..e06518a1
--- /dev/null
+++ b/translations/cs/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:51:44+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "cs"
+}
+-->
+# Prozkoumejte dataset Planetary Computer
+
+## Pokyny
+
+V této lekci jsme hovořili o různých aplikačních oblastech datové vědy – s podrobnými příklady týkajícími se výzkumu, udržitelnosti a digitálních humanitních věd. V tomto úkolu se podrobněji zaměříte na jeden z těchto příkladů a využijete své znalosti o vizualizacích a analýze dat k získání poznatků o datech týkajících se udržitelnosti.
+
+Projekt [Planetary Computer](https://planetarycomputer.microsoft.com/) obsahuje datasety a API, ke kterým lze přistupovat pomocí účtu – požádejte o přístup, pokud chcete vyzkoušet bonusový krok úkolu. Web také nabízí funkci [Explorer](https://planetarycomputer.microsoft.com/explore), kterou můžete používat bez vytvoření účtu.
+
+`Kroky:`
+Rozhraní Explorer (zobrazené na snímku obrazovky níže) vám umožňuje vybrat dataset (z dostupných možností), přednastavený dotaz (pro filtrování dat) a možnost vykreslení (pro vytvoření relevantní vizualizace). Vaším úkolem v tomto úkolu je:
+
+ 1. Přečíst si [dokumentaci Exploreru](https://planetarycomputer.microsoft.com/docs/overview/explorer/) – pochopit možnosti.
+ 2. Prozkoumat [katalog datasetů](https://planetarycomputer.microsoft.com/catalog) – zjistit účel každého datasetu.
+ 3. Použít Explorer – vybrat dataset, který vás zajímá, zvolit relevantní dotaz a možnost vykreslení.
+
+![Explorer Planetary Computer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.cs.png)
+
+`Váš úkol:`
+Nyní prostudujte vizualizaci, která se zobrazí v prohlížeči, a odpovězte na následující otázky:
+ * Jaké _vlastnosti_ má dataset?
+ * Jaké _poznatky_ nebo výsledky vizualizace poskytuje?
+ * Jaké jsou _dopady_ těchto poznatků na cíle udržitelnosti projektu?
+ * Jaké jsou _omezení_ vizualizace (tj. jaké poznatky jste nezískali)?
+ * Pokud byste měli přístup k surovým datům, jaké _alternativní vizualizace_ byste vytvořili a proč?
+
+`Bonusové body:`
+Požádejte o účet – a přihlaste se, jakmile bude váš účet schválen.
+ * Použijte možnost _Launch Hub_ k otevření surových dat v Notebooku.
+ * Prozkoumejte data interaktivně a implementujte alternativní vizualizace, které jste si představili.
+ * Nyní analyzujte své vlastní vizualizace – podařilo se vám získat poznatky, které vám předtím chyběly?
+
+## Hodnocení
+
+Vynikající | Přiměřené | Potřebuje zlepšení
+--- | --- | -- |
+Všech pět hlavních otázek bylo zodpovězeno. Student jasně identifikoval, jak současné a alternativní vizualizace mohou poskytnout poznatky o cílech nebo výsledcích udržitelnosti.| Student odpověděl alespoň na první tři otázky podrobně, což ukazuje, že měl praktickou zkušenost s Explorerem. | Student nezodpověděl více otázek nebo poskytl nedostatečné detaily – což naznačuje, že úkol nebyl smysluplně splněn. |
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/6-Data-Science-In-Wild/README.md b/translations/cs/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..62209499
--- /dev/null
+++ b/translations/cs/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:44:05+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science v praxi
+
+Praktické aplikace datové vědy napříč odvětvími.
+
+### Témata
+
+1. [Datová věda v reálném světě](20-Real-World-Examples/README.md)
+
+### Poděkování
+
+Napsáno s ❤️ od [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/CODE_OF_CONDUCT.md b/translations/cs/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..b5729e75
--- /dev/null
+++ b/translations/cs/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:23:55+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "cs"
+}
+-->
+# Kodex chování pro open source od Microsoftu
+
+Tento projekt přijal [Kodex chování pro open source od Microsoftu](https://opensource.microsoft.com/codeofconduct/).
+
+Zdroje:
+
+- [Kodex chování pro open source od Microsoftu](https://opensource.microsoft.com/codeofconduct/)
+- [Často kladené dotazy ke kodexu chování](https://opensource.microsoft.com/codeofconduct/faq/)
+- V případě dotazů nebo obav kontaktujte [opencode@microsoft.com](mailto:opencode@microsoft.com)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/CONTRIBUTING.md b/translations/cs/CONTRIBUTING.md
new file mode 100644
index 00000000..186872c7
--- /dev/null
+++ b/translations/cs/CONTRIBUTING.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:26:44+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "cs"
+}
+-->
+# Přispívání
+
+Tento projekt vítá příspěvky a návrhy. Většina příspěvků vyžaduje, abyste souhlasili s Dohodou o licenci přispěvatele (Contributor License Agreement, CLA), která potvrzuje, že máte právo a skutečně udělujete práva k použití vašeho příspěvku. Podrobnosti naleznete na https://cla.microsoft.com.
+
+Když odešlete pull request, CLA-bot automaticky určí, zda je potřeba poskytnout CLA, a příslušně označí PR (např. štítkem, komentářem). Stačí postupovat podle pokynů poskytnutých botem. Tento proces musíte provést pouze jednou pro všechny repozitáře, které využívají naši CLA.
+
+Tento projekt přijal [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/). 
+Další informace naleznete v [často kladených dotazech ke Kodexu chování](https://opensource.microsoft.com/codeofconduct/faq/) 
+nebo kontaktujte [opencode@microsoft.com](mailto:opencode@microsoft.com) s případnými dalšími dotazy či připomínkami.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/README.md b/translations/cs/README.md
new file mode 100644
index 00000000..6e2d2bf5
--- /dev/null
+++ b/translations/cs/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:16:41+00:00",
+  "source_file": "README.md",
+  "language_code": "cs"
+}
+-->
+# Data Science pro Začátečníky - Kurikulum
+
+Azure Cloud Advocates v Microsoftu s potěšením nabízejí 10týdenní kurikulum s 20 lekcemi zaměřenými na Data Science. Každá lekce obsahuje kvízy před a po lekci, písemné pokyny k dokončení lekce, řešení a úkol. Náš projektově orientovaný přístup vám umožní učit se prostřednictvím tvorby, což je osvědčený způsob, jak si osvojit nové dovednosti.
+
+**Velké díky našim autorům:** [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).
+
+**🙏 Speciální poděkování 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autorům, recenzentům a přispěvatelům obsahu,** zejména 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 od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| Data Science pro Začátečníky - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## Oznámení - Nové kurikulum o Generativní AI právě vydáno!
+
+Právě jsme vydali 12lekční kurikulum o generativní AI. Naučte se například:
+
+- tvorbu a optimalizaci promptů
+- generování textových a obrazových aplikací
+- aplikace pro vyhledávání
+
+Jako obvykle obsahuje lekce, úkoly k dokončení, kontrolní otázky a výzvy.
+
+Podívejte se na to:
+
+> https://aka.ms/genai-beginners
+
+# Jste student?
+
+Začněte s následujícími zdroji:
+
+- [Stránka Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na této stránce najdete zdroje pro začátečníky, studentské balíčky a dokonce i způsoby, jak získat voucher na certifikaci zdarma. Tuto stránku si uložte do záložek a pravidelně kontrolujte, protože obsah měníme alespoň jednou měsíčně.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Připojte se ke globální komunitě studentských ambasadorů, což by mohl být váš vstup do Microsoftu.
+
+# Začínáme
+
+> **Učitelé**: [zahrnuli jsme několik návrhů](for-teachers.md), jak toto kurikulum využít. Budeme rádi za vaši zpětnou vazbu [v našem diskusním fóru](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Studenti](https://aka.ms/student-page)**: chcete-li toto kurikulum použít samostatně, forkněte si celý repozitář a dokončete cvičení sami, začněte kvízem před lekcí. Poté si přečtěte lekci a dokončete zbytek aktivit. Snažte se vytvářet projekty pochopením lekcí, místo abyste kopírovali řešení; kód řešení je však k dispozici ve složkách /solutions v každé projektově orientované lekci. Další možností je vytvořit studijní skupinu s přáteli a projít obsah společně. Pro další studium doporučujeme [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Seznamte se s týmem
+
+[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
+
+**Gif vytvořil** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!
+
+## Pedagogika
+
+Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo projektově orientované, a zahrnout časté kvízy. Na konci této série se studenti naučí základní principy data science, včetně etických konceptů, přípravy dat, různých způsobů práce s daty, vizualizace dat, analýzy dat, reálných případů použití data science a další.
+
+Kromě toho nízkoprahový kvíz před hodinou nastaví záměr studenta na učení daného tématu, zatímco druhý kvíz po hodině zajistí lepší zapamatování. Toto kurikulum bylo navrženo tak, aby bylo flexibilní a zábavné a mohlo být absolvováno celé nebo po částech. Projekty začínají jednoduše a postupně se stávají složitějšími během 10týdenního cyklu.
+
+> Najděte náš [Kodex chování](CODE_OF_CONDUCT.md), [Přispívání](CONTRIBUTING.md), [Překlad](TRANSLATIONS.md) pokyny. Uvítáme vaši konstruktivní zpětnou vazbu!
+
+## Každá lekce obsahuje:
+
+- Volitelný sketchnote
+- Volitelné doplňkové video
+- Zahřívací kvíz před lekcí
+- Písemnou lekci
+- U projektově orientovaných lekcí podrobné pokyny, jak projekt vytvořit
+- Kontrolní otázky
+- Výzvu
+- Doplňkové čtení
+- Úkol
+- Kvíz po lekci
+
+> **Poznámka ke kvízům**: Všechny kvízy jsou obsaženy ve složce Quiz-App, celkem 40 kvízů po třech otázkách. Jsou propojeny v rámci lekcí, ale aplikaci kvízů lze spustit lokálně nebo nasadit na Azure; postupujte podle pokynů ve složce `quiz-app`. Postupně jsou lokalizovány.
+
+## Lekce
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Data Science pro Začátečníky: Plán - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+| Číslo lekce | Téma | Skupina lekcí | Výukové cíle | Odkaz na lekci | Autor |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Definování Data Science | [Úvod](1-Introduction/README.md) | Naučte se základní koncepty data science a jak souvisí s umělou inteligencí, strojovým učením a velkými daty. | [lekce](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Etika v Data Science | [Úvod](1-Introduction/README.md) | Koncepty etiky dat, výzvy a rámce. | [lekce](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Definování dat | [Úvod](1-Introduction/README.md) | Jak jsou data klasifikována a jejich běžné zdroje. | [lekce](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Úvod do statistiky a pravděpodobnosti | [Úvod](1-Introduction/README.md) | Matematické techniky pravděpodobnosti a statistiky pro pochopení dat. | [lekce](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Práce s relačními daty | [Práce s daty](2-Working-With-Data/README.md) | Úvod do relačních dat a základy zkoumání a analýzy relačních dat pomocí Structured Query Language, známého také jako SQL (vyslovováno „síkvél“). | [lekce](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Práce s NoSQL daty | [Práce s daty](2-Working-With-Data/README.md) | Úvod do nerelačních dat, jejich různých typů a základy zkoumání a analýzy dokumentových databází. | [lekce](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Práce s Pythonem | [Práce s daty](2-Working-With-Data/README.md) | Základy používání Pythonu pro zkoumání dat s knihovnami, jako je Pandas. Doporučuje se základní znalost programování v Pythonu. | [lekce](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Příprava dat | [Práce s daty](2-Working-With-Data/README.md) | Témata o technikách čištění a transformace dat pro řešení problémů s chybějícími, nepřesnými nebo neúplnými daty. | [lekce](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Vizualizace množství | [Vizualizace dat](3-Data-Visualization/README.md) | Naučte se používat Matplotlib k vizualizaci dat o ptácích 🦆 | [lekce](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Vizualizace rozložení dat | [Vizualizace dat](3-Data-Visualization/README.md) | Vizualizace pozorování a trendů v rámci intervalu. | [lekce](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Vizualizace proporcí | [Vizualizace dat](3-Data-Visualization/README.md) | Vizualizace diskrétních a seskupených procent. | [lekce](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Vizualizace vztahů | [Vizualizace dat](3-Data-Visualization/README.md) | Vizualizace spojení a korelací mezi datovými sadami a jejich proměnnými. | [lekce](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Smysluplné vizualizace | [Vizualizace dat](3-Data-Visualization/README.md) | Techniky a doporučení, jak vytvořit vizualizace, které jsou užitečné pro efektivní řešení problémů a získávání poznatků. | [lekce](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Úvod do životního cyklu datové vědy | [Životní cyklus](4-Data-Science-Lifecycle/README.md) | Úvod do životního cyklu datové vědy a jeho prvního kroku - získávání a extrakce dat. | [lekce](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Analýza | [Životní cyklus](4-Data-Science-Lifecycle/README.md) | Tato fáze životního cyklu datové vědy se zaměřuje na techniky analýzy dat. | [lekce](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Komunikace | [Životní cyklus](4-Data-Science-Lifecycle/README.md) | Tato fáze životního cyklu datové vědy se zaměřuje na prezentaci poznatků z dat způsobem, který usnadňuje jejich pochopení pro rozhodovací orgány. | [lekce](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Datová věda v cloudu | [Cloudová data](5-Data-Science-In-Cloud/README.md) | Tato série lekcí představuje datovou vědu v cloudu a její výhody. | [lekce](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 18 | Datová věda v cloudu | [Cloudová data](5-Data-Science-In-Cloud/README.md) | Trénování modelů pomocí nástrojů s nízkým kódem. | [lekce](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 19 | Datová věda v cloudu | [Cloudová data](5-Data-Science-In-Cloud/README.md) | Nasazení modelů pomocí Azure Machine Learning Studio. | [lekce](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 20 | Datová věda v praxi | [V praxi](6-Data-Science-In-Wild/README.md) | Projekty řízené datovou vědou v reálném světě. | [lekce](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Postupujte podle těchto kroků pro otevření tohoto příkladu v Codespace:
+1. Klikněte na rozbalovací nabídku Code a vyberte možnost Open with Codespaces.
+2. Vyberte + New codespace ve spodní části panelu.
+Pro více informací si přečtěte [dokumentaci GitHubu](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Postupujte podle těchto kroků pro otevření tohoto repozitáře v kontejneru pomocí vašeho lokálního počítače a VSCode s rozšířením VS Code Remote - Containers:
+
+1. Pokud používáte vývojový kontejner poprvé, ujistěte se, že váš systém splňuje předpoklady (např. máte nainstalovaný Docker) podle [dokumentace pro začátečníky](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+Pro použití tohoto repozitáře můžete buď otevřít repozitář v izolovaném Docker svazku:
+
+**Poznámka**: Na pozadí se použije příkaz Remote-Containers: **Clone Repository in Container Volume...** pro klonování zdrojového kódu do Docker svazku místo lokálního souborového systému. [Svazky](https://docs.docker.com/storage/volumes/) jsou preferovaným mechanismem pro uchovávání dat kontejneru.
+
+Nebo otevřete lokálně klonovanou nebo staženou verzi repozitáře:
+
+- Klonujte tento repozitář do svého lokálního souborového systému.
+- Stiskněte F1 a vyberte příkaz **Remote-Containers: Open Folder in Container...**.
+- Vyberte klonovanou kopii této složky, počkejte na spuštění kontejneru a vyzkoušejte si to.
+
+## Offline přístup
+
+Tuto dokumentaci můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Forkněte tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj lokální počítač, poté v kořenové složce tohoto repozitáře zadejte `docsify serve`. Webová stránka bude spuštěna na portu 3000 na vašem localhostu: `localhost:3000`.
+
+> Poznámka: Notebooky nebudou přes Docsify vykresleny, takže pokud potřebujete spustit notebook, udělejte to samostatně ve VS Code s běžícím Python jádrem.
+
+## Hledáme pomoc!
+
+Pokud byste chtěli přeložit celou nebo část této osnovy, postupujte podle našeho průvodce [Překlady](TRANSLATIONS.md).
+
+## Další osnovy
+
+Náš tým vytváří další osnovy! Podívejte se na:
+
+- [Generativní AI pro začátečníky](https://aka.ms/genai-beginners)
+- [Generativní AI pro začátečníky .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generativní AI s JavaScriptem](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generativní AI s Javou](https://aka.ms/genaijava)
+- [AI pro začátečníky](https://aka.ms/ai-beginners)
+- [Datová věda pro začátečníky](https://aka.ms/datascience-beginners)
+- [Strojové učení pro začátečníky](https://aka.ms/ml-beginners)
+- [Kybernetická bezpečnost pro začátečníky](https://github.com/microsoft/Security-101) 
+- [Webový vývoj pro začátečníky](https://aka.ms/webdev-beginners)
+- [IoT pro začátečníky](https://aka.ms/iot-beginners)
+- [Vývoj XR pro začátečníky](https://github.com/microsoft/xr-development-for-beginners)
+- [Ovládnutí GitHub Copilot pro párové programování](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Ovládnutí GitHub Copilot pro vývojáře C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Vyberte si vlastní dobrodružství s Copilotem](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nezodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/SECURITY.md b/translations/cs/SECURITY.md
new file mode 100644
index 00000000..5673315c
--- /dev/null
+++ b/translations/cs/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:25:07+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "cs"
+}
+-->
+## Zabezpečení
+
+Společnost Microsoft bere bezpečnost svých softwarových produktů a služeb vážně, což zahrnuje všechny repozitáře zdrojového kódu spravované prostřednictvím našich organizací na GitHubu, mezi které patří [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) a [naše GitHub organizace](https://opensource.microsoft.com/).
+
+Pokud se domníváte, že jste objevili bezpečnostní zranitelnost v jakémkoli repozitáři vlastněném společností Microsoft, která odpovídá [definici bezpečnostní zranitelnosti podle Microsoftu](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), nahlaste ji nám podle níže uvedených pokynů.
+
+## Hlášení bezpečnostních problémů
+
+**Bezpečnostní zranitelnosti prosím nehlaste prostřednictvím veřejných GitHub issues.**
+
+Místo toho je nahlaste Microsoft Security Response Center (MSRC) na [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Pokud dáváte přednost odeslání bez přihlášení, zašlete e-mail na adresu [secure@microsoft.com](mailto:secure@microsoft.com). Pokud je to možné, zašifrujte svou zprávu pomocí našeho PGP klíče; stáhněte si jej na stránce [Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Odpověď byste měli obdržet do 24 hodin. Pokud ji z nějakého důvodu neobdržíte, kontaktujte nás znovu e-mailem, abyste se ujistili, že jsme vaši původní zprávu obdrželi. Další informace naleznete na [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Uveďte prosím co nejvíce z níže uvedených informací, abyste nám pomohli lépe pochopit povahu a rozsah možného problému:
+
+  * Typ problému (např. přetečení vyrovnávací paměti, SQL injection, cross-site scripting atd.)
+  * Plné cesty ke zdrojovým souborům souvisejícím s projevem problému
+  * Umístění postiženého zdrojového kódu (tag/branch/commit nebo přímá URL)
+  * Jakákoli speciální konfigurace potřebná k reprodukci problému
+  * Krok za krokem návod k reprodukci problému
+  * Proof-of-concept nebo exploit kód (pokud je to možné)
+  * Dopad problému, včetně toho, jak by útočník mohl problém zneužít
+
+Tyto informace nám pomohou rychleji zpracovat vaši zprávu.
+
+Pokud hlásíte problém v rámci programu bug bounty, kompletnější zprávy mohou přispět k vyšší odměně. Navštivte prosím stránku [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) pro více informací o našich aktivních programech.
+
+## Preferované jazyky
+
+Preferujeme, aby veškerá komunikace probíhala v angličtině.
+
+## Politika
+
+Společnost Microsoft se řídí zásadami [Koordinovaného zveřejňování zranitelností](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/SUPPORT.md b/translations/cs/SUPPORT.md
new file mode 100644
index 00000000..184a4099
--- /dev/null
+++ b/translations/cs/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:17+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "cs"
+}
+-->
+# Podpora
+## Jak nahlásit problémy a získat pomoc  
+
+Tento projekt používá GitHub Issues k sledování chyb a požadavků na funkce. Před nahlášením nového problému prosím prohledejte stávající problémy, abyste se vyhnuli duplicitám. Pro nové problémy nahlaste svou chybu nebo požadavek na funkci jako nový problém.
+
+Pro pomoc a dotazy týkající se používání tohoto projektu vytvořte problém.
+
+## Podpora od Microsoftu  
+
+Podpora pro toto úložiště je omezena na výše uvedené zdroje.
+
+---
+
+**Upozornění**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nezodpovídáme za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/docs/_sidebar.md b/translations/cs/docs/_sidebar.md
new file mode 100644
index 00000000..515315fe
--- /dev/null
+++ b/translations/cs/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:58:43+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "cs"
+}
+-->
+- Úvod
+  - [Definování datové vědy](../1-Introduction/01-defining-data-science/README.md)
+  - [Etika datové vědy](../1-Introduction/02-ethics/README.md)
+  - [Definování dat](../1-Introduction/03-defining-data/README.md)
+  - [Pravděpodobnost a statistika](../1-Introduction/04-stats-and-probability/README.md)
+- Práce s daty
+  - [Relační databáze](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Nerelační databáze](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Příprava dat](../2-Working-With-Data/08-data-preparation/README.md)
+- Vizualizace dat
+  - [Vizualizace množství](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Vizualizace rozložení](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Vizualizace proporcí](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Vizualizace vztahů](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Smysluplné vizualizace](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Životní cyklus datové vědy
+  - [Úvod](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Analýza](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Komunikace](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Datová věda v cloudu
+  - [Úvod](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Datová věda v praxi
+  - [Datová věda v praxi](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/for-teachers.md b/translations/cs/for-teachers.md
new file mode 100644
index 00000000..511838e2
--- /dev/null
+++ b/translations/cs/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:22:23+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "cs"
+}
+-->
+## Pro pedagogy
+
+Chcete použít tento vzdělávací program ve své třídě? Klidně do toho!
+
+Ve skutečnosti ho můžete použít přímo na GitHubu pomocí GitHub Classroom.
+
+K tomu si tento repozitář forkněte. Budete potřebovat vytvořit repozitář pro každou lekci, takže budete muset extrahovat každou složku do samostatného repozitáře. Tímto způsobem může [GitHub Classroom](https://classroom.github.com/classrooms) zpracovat každou lekci zvlášť.
+
+Tyto [podrobné instrukce](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vám poskytnou představu, jak nastavit svou třídu.
+
+## Použití repozitáře tak, jak je
+
+Pokud chcete použít tento repozitář v jeho aktuální podobě, bez použití GitHub Classroom, je to také možné. Budete muset komunikovat se svými studenty, kterou lekci mají společně projít.
+
+V online formátu (Zoom, Teams nebo jiném) můžete vytvořit breakout místnosti pro kvízy a mentorovat studenty, aby se připravili na učení. Poté pozvěte studenty ke kvízům a požádejte je, aby své odpovědi odeslali jako 'issues' v určitém čase. Totéž můžete udělat s úkoly, pokud chcete, aby studenti spolupracovali veřejně.
+
+Pokud preferujete více soukromý formát, požádejte studenty, aby si forknuli vzdělávací program, lekci po lekci, do svých vlastních soukromých repozitářů na GitHubu a dali vám přístup. Poté mohou kvízy a úkoly dokončit soukromě a odeslat vám je prostřednictvím issues na vašem třídním repozitáři.
+
+Existuje mnoho způsobů, jak to v online třídě zorganizovat. Dejte nám prosím vědět, co vám funguje nejlépe!
+
+## Co je zahrnuto v tomto vzdělávacím programu:
+
+20 lekcí, 40 kvízů a 20 úkolů. Sketchnoty doprovázejí lekce pro vizuální studenty. Mnoho lekcí je dostupných jak v Pythonu, tak v R a lze je dokončit pomocí Jupyter notebooků ve VS Code. Více informací o tom, jak nastavit svou třídu pro použití této technologické sady, najdete zde: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Všechny sketchnoty, včetně velkoformátového plakátu, jsou v [této složce](../../sketchnotes).
+
+Celý vzdělávací program je dostupný [jako PDF](../../pdf/readme.pdf).
+
+Tento vzdělávací program můžete také spustit jako samostatný, offline přátelský web pomocí [Docsify](https://docsify.js.org/#/). [Nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj lokální počítač, poté v kořenové složce své lokální kopie tohoto repozitáře zadejte `docsify serve`. Web bude spuštěn na portu 3000 na vašem localhostu: `localhost:3000`.
+
+Offline verze vzdělávacího programu se otevře jako samostatná webová stránka: https://localhost:3000
+
+Lekce jsou rozděleny do 6 částí:
+
+- 1: Úvod
+    - 1: Definování datové vědy
+    - 2: Etika
+    - 3: Definování dat
+    - 4: Přehled pravděpodobnosti a statistiky
+- 2: Práce s daty
+    - 5: Relační databáze
+    - 6: Nerelační databáze
+    - 7: Python
+    - 8: Příprava dat
+- 3: Vizualizace dat
+    - 9: Vizualizace množství
+    - 10: Vizualizace rozložení
+    - 11: Vizualizace proporcí
+    - 12: Vizualizace vztahů
+    - 13: Smysluplné vizualizace
+- 4: Životní cyklus datové vědy
+    - 14: Úvod
+    - 15: Analýza
+    - 16: Komunikace
+- 5: Datová věda v cloudu
+    - 17: Úvod
+    - 18: Možnosti s nízkým kódem
+    - 19: Azure
+- 6: Datová věda v praxi
+    - 20: Přehled
+
+## Prosíme, dejte nám vědět své názory!
+
+Chceme, aby tento vzdělávací program fungoval pro vás a vaše studenty. Prosíme, dejte nám zpětnou vazbu na diskusních fórech! Klidně vytvořte prostor pro svou třídu na diskusních fórech pro své studenty.
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/quiz-app/README.md b/translations/cs/quiz-app/README.md
new file mode 100644
index 00000000..fb398c8a
--- /dev/null
+++ b/translations/cs/quiz-app/README.md
@@ -0,0 +1,139 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:18:40+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "cs"
+}
+-->
+# Kvízy
+
+Tyto kvízy slouží jako přednáškové a popřednáškové kvízy pro kurikulum datové vědy na https://aka.ms/datascience-beginners
+
+## Přidání přeložené sady kvízů
+
+Přidejte překlad kvízu vytvořením odpovídajících struktur kvízů ve složkách `assets/translations`. Kanonické kvízy se nacházejí v `assets/translations/en`. Kvízy jsou rozděleny do několika skupin. Ujistěte se, že číslování odpovídá správné sekci kvízu. Celkem je v tomto kurikulu 40 kvízů, přičemž číslování začíná od 0.
+
+Po úpravě překladů upravte soubor index.js ve složce překladů tak, aby importoval všechny soubory podle konvencí v `en`.
+
+Upravte soubor `index.js` ve složce `assets/translations`, aby importoval nově přeložené soubory.
+
+Poté upravte rozbalovací nabídku v `App.vue` v této aplikaci, abyste přidali svůj jazyk. Odpovídající lokalizovanou zkratku přizpůsobte názvu složky pro váš jazyk.
+
+Nakonec upravte všechny odkazy na kvízy v přeložených lekcích, pokud existují, aby obsahovaly tuto lokalizaci jako parametr dotazu: například `?loc=fr`.
+
+## Nastavení projektu
+
+```
+npm install
+```
+
+### Kompilace a automatické načítání pro vývoj
+
+```
+npm run serve
+```
+
+### Kompilace a minimalizace pro produkci
+
+```
+npm run build
+```
+
+### Kontrola a oprava souborů
+
+```
+npm run lint
+```
+
+### Přizpůsobení konfigurace
+
+Viz [Konfigurační reference](https://cli.vuejs.org/config/).
+
+Poděkování: Díky původní verzi této aplikace pro kvízy: https://github.com/arpan45/simple-quiz-vue
+
+## Nasazení na Azure
+
+Zde je podrobný průvodce, který vám pomůže začít:
+
+1. Vytvořte fork GitHub repozitáře  
+Ujistěte se, že váš kód statické webové aplikace je ve vašem GitHub repozitáři. Vytvořte fork tohoto repozitáře.
+
+2. Vytvořte statickou webovou aplikaci na Azure  
+- Vytvořte si [Azure účet](http://azure.microsoft.com)  
+- Přejděte na [Azure portál](https://portal.azure.com)  
+- Klikněte na „Vytvořit prostředek“ a vyhledejte „Static Web App“.  
+- Klikněte na „Vytvořit“.  
+
+3. Konfigurace statické webové aplikace  
+- Základní nastavení:  
+  - Předplatné: Vyberte své Azure předplatné.  
+  - Skupina prostředků: Vytvořte novou skupinu prostředků nebo použijte existující.  
+  - Název: Zadejte název pro svou statickou webovou aplikaci.  
+  - Region: Vyberte region nejbližší vašim uživatelům.  
+
+- #### Podrobnosti o nasazení:  
+  - Zdroj: Vyberte „GitHub“.  
+  - GitHub účet: Autorizujte Azure pro přístup k vašemu GitHub účtu.  
+  - Organizace: Vyberte svou GitHub organizaci.  
+  - Repozitář: Vyberte repozitář obsahující vaši statickou webovou aplikaci.  
+  - Větev: Vyberte větev, ze které chcete nasazovat.  
+
+- #### Podrobnosti o sestavení:  
+  - Předvolby sestavení: Vyberte framework, na kterém je vaše aplikace postavena (např. React, Angular, Vue, atd.).  
+  - Umístění aplikace: Zadejte složku obsahující kód vaší aplikace (např. / pokud je v kořenovém adresáři).  
+  - Umístění API: Pokud máte API, zadejte jeho umístění (volitelné).  
+  - Umístění výstupu: Zadejte složku, kde je generován výstup sestavení (např. build nebo dist).  
+
+4. Kontrola a vytvoření  
+Zkontrolujte svá nastavení a klikněte na „Vytvořit“. Azure nastaví potřebné prostředky a vytvoří GitHub Actions workflow ve vašem repozitáři.
+
+5. GitHub Actions workflow  
+Azure automaticky vytvoří soubor GitHub Actions workflow ve vašem repozitáři (.github/workflows/azure-static-web-apps-<name>.yml). Tento workflow bude zajišťovat proces sestavení a nasazení.
+
+6. Sledování nasazení  
+Přejděte na kartu „Actions“ ve vašem GitHub repozitáři.  
+Měli byste vidět běžící workflow. Tento workflow sestaví a nasadí vaši statickou webovou aplikaci na Azure.  
+Jakmile workflow dokončí, vaše aplikace bude dostupná na poskytnuté Azure URL.
+
+### Příklad souboru workflow
+
+Zde je příklad, jak může vypadat soubor GitHub Actions workflow:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Další zdroje  
+- [Dokumentace Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [Dokumentace GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/cs/sketchnotes/README.md b/translations/cs/sketchnotes/README.md
new file mode 100644
index 00000000..a150f3c7
--- /dev/null
+++ b/translations/cs/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:31+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "cs"
+}
+-->
+Najděte všechny sketchnoty zde!
+
+## Poděkování
+
+Nitya Narasimhan, umělkyně
+
+![sketchnote plánu](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.cs.png)
+
+---
+
+**Prohlášení**:  
+Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/01-defining-data-science/README.md b/translations/hu/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..6a14108e
--- /dev/null
+++ b/translations/hu/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:19:18+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "hu"
+}
+-->
+## Adatelemzés és digitális átalakulás
+
+Az elmúlt évtizedben sok vállalkozás kezdte felismerni az adatok fontosságát az üzleti döntések meghozatalában. Ahhoz, hogy az adatelemzés elveit alkalmazni lehessen egy vállalkozás működtetésében, először adatokat kell gyűjteni, azaz az üzleti folyamatokat digitális formába kell átültetni. Ezt nevezzük **digitalizációnak**. Az adatelemzési technikák alkalmazása ezekre az adatokra jelentős termelékenységnövekedést eredményezhet (vagy akár az üzleti modell átalakítását), amit **digitális átalakulásnak** nevezünk.
+
+Vegyünk egy példát. Tegyük fel, hogy van egy adatelemzési kurzusunk (mint ez), amelyet online módon kínálunk a diákoknak, és szeretnénk adatelemzést alkalmazni annak fejlesztésére. Hogyan tehetjük ezt meg?
+
+Először is feltehetjük a kérdést: "Mit lehet digitalizálni?" A legegyszerűbb mód az lenne, ha mérnénk, mennyi időt vesz igénybe minden diáknak egy-egy modul elvégzése, és a megszerzett tudást egy feleletválasztós teszttel értékelnénk minden modul végén. Az összes diák átlagos modul-elvégzési idejének kiszámításával megtudhatjuk, mely modulok okozzák a legtöbb nehézséget a diákoknak, és dolgozhatunk azok egyszerűsítésén.
+> Vitatható, hogy ez a megközelítés nem ideális, mivel a modulok hossza eltérő lehet. Valószínűleg igazságosabb lenne az időt a modul hosszával (karakterek száma alapján) elosztani, és az így kapott értékeket összehasonlítani.
+Amikor elkezdjük elemezni a feleletválasztós tesztek eredményeit, megpróbálhatjuk meghatározni, hogy mely fogalmak megértése okoz nehézséget a diákoknak, és ezt az információt felhasználhatjuk a tartalom fejlesztésére. Ehhez úgy kell megterveznünk a teszteket, hogy minden kérdés egy adott fogalomhoz vagy tudáselemhez kapcsolódjon.
+
+Ha még bonyolultabb elemzést szeretnénk végezni, összevethetjük az egyes modulok elvégzéséhez szükséges időt a diákok korcsoportjaival. Lehet, hogy kiderül, hogy bizonyos korcsoportok számára túl hosszú időt vesz igénybe a modul befejezése, vagy hogy a diákok még a modul befejezése előtt abbahagyják. Ez segíthet abban, hogy korosztályi ajánlásokat adjunk a modulhoz, és csökkentsük az emberek elégedetlenségét a téves elvárások miatt.
+
+## 🚀 Kihívás
+
+Ebben a kihívásban megpróbálunk a Data Science területéhez kapcsolódó fogalmakat azonosítani szövegek elemzésével. Egy Wikipedia cikket fogunk használni a Data Science témájában, letöltjük és feldolgozzuk a szöveget, majd készítünk egy szófelhőt, amely így néz ki:
+
+![Szófelhő a Data Science témájában](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hu.png)
+
+Látogass el a [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') fájlhoz, hogy átnézd a kódot. A kódot futtathatod is, és valós időben láthatod, hogyan hajtja végre az adattranszformációkat.
+
+> Ha nem tudod, hogyan kell kódot futtatni egy Jupyter Notebookban, nézd meg [ezt a cikket](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Feladatok
+
+* **Feladat 1**: Módosítsd a fenti kódot, hogy az **Big Data** és **Machine Learning** területekhez kapcsolódó fogalmakat azonosítsd.
+* **Feladat 2**: [Gondolkodj Data Science forgatókönyveken](assignment.md)
+
+## Köszönetnyilvánítás
+
+Ezt a leckét ♥️-vel készítette [Dmitry Soshnikov](http://soshnikov.com).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/01-defining-data-science/assignment.md b/translations/hu/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..8962caf7
--- /dev/null
+++ b/translations/hu/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:24:33+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Feladat: Adattudományi Forgatókönyvek
+
+Ebben az első feladatban arra kérünk, hogy gondolj át néhány valós életbeli folyamatot vagy problémát különböző problématerületeken, és hogy hogyan tudnád ezeket javítani az adattudományi folyamat segítségével. Gondolj az alábbiakra:
+
+1. Milyen adatokat tudsz gyűjteni?
+1. Hogyan gyűjtenéd ezeket az adatokat?
+1. Hogyan tárolnád az adatokat? Mekkora valószínűleg az adatok mérete?
+1. Milyen betekintéseket nyerhetnél ezekből az adatokból? Milyen döntéseket tudnánk hozni az adatok alapján?
+
+Próbálj meg 3 különböző problémát/folyamatot átgondolni, és írd le a fenti pontokat mindegyik problématerületre.
+
+Az alábbiakban néhány problématerület és probléma található, amelyek segíthetnek az elindulásban:
+
+1. Hogyan használhatod az adatokat az iskolai oktatási folyamat javítására?
+1. Hogyan használhatod az adatokat a járvány alatti oltások ellenőrzésére?
+1. Hogyan használhatod az adatokat annak biztosítására, hogy hatékonyan dolgozol?
+
+## Útmutató
+
+Töltsd ki az alábbi táblázatot (ha szükséges, cseréld le a javasolt problématerületeket sajátjaidra):
+
+| Problématerület | Probléma | Milyen adatokat gyűjteni | Hogyan tárolni az adatokat | Milyen betekintések/döntések hozhatók | 
+|------------------|----------|--------------------------|----------------------------|---------------------------------------|
+| Oktatás         |          |                          |                            |                                       |
+| Oltás           |          |                          |                            |                                       |
+| Produktivitás   |          |                          |                            |                                       |
+
+## Értékelési Kritériumok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+Az illető képes volt ésszerű adatforrásokat, adattárolási módokat és lehetséges döntéseket/betekintéseket azonosítani minden problématerületre | A megoldás egyes aspektusai nincsenek részletezve, az adattárolás nem kerül megvitatásra, legalább 2 problématerület leírásra került | Csak az adatmegoldás egyes részei kerültek leírásra, csak egy problématerület került figyelembe vételre.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/hu/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..4eead6f8
--- /dev/null
+++ b/translations/hu/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:26:04+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Feladat: Adattudományi Szenáriók
+
+Ebben az első feladatban arra kérünk, hogy gondolj egy valós életbeli folyamatra vagy problémára különböző problématerületeken, és hogyan tudnád javítani azt az adattudományi folyamat segítségével. Gondolj az alábbiakra:
+
+1. Milyen adatokat tudsz gyűjteni?
+1. Hogyan gyűjtenéd az adatokat?
+1. Hogyan tárolnád az adatokat? Mekkora valószínűleg az adatok mérete?
+1. Milyen betekintéseket tudnánk nyerni ezekből az adatokból? Milyen döntéseket tudnánk hozni az adatok alapján?
+
+Próbálj meg három különböző problémát/folyamatot átgondolni, és írd le az egyes pontokat minden problématerületre vonatkozóan.
+
+Íme néhány problématerület és probléma, amelyek segíthetnek az ötletelésben:
+
+1. Hogyan tudnád az adatokat felhasználni a gyermekek iskolai oktatási folyamatának javítására?
+1. Hogyan tudnád az adatokat felhasználni a pandémia alatti oltások ellenőrzésére?
+1. Hogyan tudnád az adatokat felhasználni annak biztosítására, hogy produktív vagy a munkában?
+
+## Útmutató
+
+Töltsd ki az alábbi táblázatot (ha szükséges, cseréld ki a javasolt problématerületeket saját ötleteidre):
+
+| Problématerület | Probléma | Milyen adatokat gyűjteni | Hogyan tárolni az adatokat | Milyen betekintések/döntések hozhatók | 
+|------------------|----------|--------------------------|----------------------------|---------------------------------------|
+| Oktatás | Az egyetemen általában alacsony a részvétel az előadásokon, és azt feltételezzük, hogy azok a diákok, akik rendszeresen részt vesznek az előadásokon, általában jobban teljesítenek a vizsgákon. Szeretnénk ösztönözni a részvételt és tesztelni a hipotézist. | A részvételt nyomon követhetjük az osztályban lévő biztonsági kamera által készített képek segítségével, vagy a diákok mobiltelefonjainak bluetooth/wifi címének követésével. A vizsgaadatok már elérhetők az egyetemi adatbázisban. | Ha biztonsági kamera képeit követjük, néhány (5-10) fényképet kell tárolnunk az osztály alatt (strukturálatlan adat), majd mesterséges intelligenciát használunk a diákok arcának azonosítására (az adatokat strukturált formára alakítjuk). | Számíthatjuk az egyes diákok átlagos részvételi adatait, és megnézhetjük, van-e bármilyen korreláció a vizsgaeredményekkel. A korrelációról többet fogunk beszélni a [valószínűség és statisztika](../../04-stats-and-probability/README.md) részben. A diákok részvételének ösztönzése érdekében közzétehetjük a heti részvételi rangsort az iskolai portálon, és díjakat sorsolhatunk ki a legmagasabb részvételi arányúak között. |
+| Oltás | | | | |
+| Produktivitás | | | | |
+
+> *Csak egy választ adunk példaként, hogy megértsd, mi várható el ebben a feladatban.*
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Az illető képes volt ésszerű adatforrásokat, adat-tárolási módokat és lehetséges döntéseket/betekintéseket azonosítani minden problématerületre | A megoldás egyes aspektusai nem részletesek, az adat-tárolás nem került megvitatásra, legalább 2 problématerület leírásra került | Csak az adatmegoldás egyes részei kerültek leírásra, csak egy problématerületet vettek figyelembe.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/02-ethics/README.md b/translations/hu/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..0978e07a
--- /dev/null
+++ b/translations/hu/1-Introduction/02-ethics/README.md
@@ -0,0 +1,221 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:04:07+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "hu"
+}
+-->
+# Bevezetés az adatetika világába
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Adattudományi etika - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Mindannyian adatpolgárok vagyunk egy adatokkal átszőtt világban.
+
+A piaci trendek azt mutatják, hogy 2022-re minden harmadik nagy szervezet online [piactereken és tőzsdéken](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) keresztül fog adatokat vásárolni és eladni. **Alkalmazásfejlesztőként** egyre könnyebb és olcsóbb lesz adatvezérelt betekintéseket és algoritmusvezérelt automatizációt integrálni a mindennapi felhasználói élményekbe. Azonban, ahogy a mesterséges intelligencia (MI) mindent áthatóvá válik, meg kell értenünk azokat a potenciális károkat is, amelyeket az ilyen algoritmusok [fegyverként való alkalmazása](https://www.youtube.com/watch?v=TQHs8SA1qpk) okozhat nagy léptékben.
+
+A trendek azt is jelzik, hogy 2025-re több mint [180 zettabájtnyi](https://www.statista.com/statistics/871513/worldwide-data-created/) adatot fogunk létrehozni és fogyasztani. **Adattudósként** ez példátlan szintű hozzáférést biztosít számunkra a személyes adatokhoz. Ez lehetővé teszi, hogy felhasználói viselkedési profilokat építsünk, és olyan döntéshozatalt befolyásoljunk, amely [a szabad választás illúzióját](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) kelti, miközben esetleg a számunkra kedvező eredmények felé tereljük a felhasználókat. Ez szélesebb körű kérdéseket is felvet az adatvédelemről és a felhasználói jogok védelméről.
+
+Az adatetika ma már _elengedhetetlen irányelv_ az adattudomány és a mérnöki munka számára, amely segít minimalizálni az adatvezérelt cselekedeteinkből eredő potenciális károkat és nem szándékos következményeket. A [Gartner MI Hype Cycle](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) azonosítja a digitális etika, a felelős MI és az MI irányítás releváns trendjeit, mint kulcsfontosságú hajtóerőket az MI _demokratizálása_ és _iparosítása_ körüli nagyobb megatrendekhez.
+
+![Gartner MI Hype Cycle - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+Ebben a leckében az adatetika lenyűgöző területét fogjuk felfedezni - az alapfogalmaktól és kihívásoktól kezdve az esettanulmányokon át az alkalmazott MI fogalmakig, mint például az irányítás -, amelyek segítenek az etikai kultúra kialakításában az adatokkal és MI-vel dolgozó csapatokban és szervezetekben.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Alapvető meghatározások
+
+Kezdjük az alapvető terminológia megértésével.
+
+Az "etika" szó a [görög "ethikos"](https://en.wikipedia.org/wiki/Ethics) (és annak gyökere, az "ethos") szóból származik, amely _jellemet vagy erkölcsi természetet_ jelent.
+
+**Etika** azokról a közös értékekről és erkölcsi elvekről szól, amelyek irányítják viselkedésünket a társadalomban. Az etika nem törvényeken alapul, hanem azon a széles körben elfogadott normán, hogy mi a "helyes és helytelen". Azonban az etikai megfontolások befolyásolhatják a vállalatirányítási kezdeményezéseket és a kormányzati szabályozásokat, amelyek több ösztönzőt teremtenek a megfelelésre.
+
+**Adatetika** egy [új etikai ág](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), amely "az _adatokkal, algoritmusokkal és a hozzájuk kapcsolódó gyakorlatokkal_ kapcsolatos erkölcsi problémákat tanulmányozza és értékeli". Itt az **"adatok"** az adatok generálásával, rögzítésével, kurálásával, feldolgozásával, terjesztésével, megosztásával és felhasználásával kapcsolatos cselekvésekre összpontosítanak, az **"algoritmusok"** az MI-re, ügynökökre, gépi tanulásra és robotokra, míg a **"gyakorlatok"** olyan témákra, mint a felelős innováció, programozás, hackelés és etikai kódexek.
+
+**Alkalmazott etika** az [erkölcsi megfontolások gyakorlati alkalmazása](https://en.wikipedia.org/wiki/Applied_ethics). Ez az a folyamat, amely során aktívan vizsgáljuk az etikai kérdéseket a _valós cselekvések, termékek és folyamatok_ kontextusában, és korrekciós intézkedéseket teszünk annak érdekében, hogy ezek összhangban maradjanak a meghatározott etikai értékeinkkel.
+
+**Etikai kultúra** az [_alkalmazott etika operacionalizálásáról_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) szól, hogy biztosítsuk, hogy etikai elveinket és gyakorlatainkat következetesen és skálázható módon alkalmazzák a szervezet egészében. A sikeres etikai kultúrák szervezet-szintű etikai elveket határoznak meg, jelentős ösztönzőket biztosítanak a megfeleléshez, és megerősítik az etikai normákat azáltal, hogy minden szinten ösztönzik és erősítik a kívánt viselkedéseket.
+
+## Etikai fogalmak
+
+Ebben a részben olyan fogalmakat tárgyalunk, mint a **közös értékek** (elvek) és az **etikai kihívások** (problémák) az adatetika területén - valamint **esettanulmányokat** vizsgálunk, amelyek segítenek megérteni ezeket a fogalmakat a valós kontextusokban.
+
+### 1. Etikai elvek
+
+Minden adatetikai stratégia az _etikai elvek_ meghatározásával kezdődik - azokkal a "közös értékekkel", amelyek leírják az elfogadható viselkedéseket, és irányítják a megfelelőségi cselekvéseket az adat- és MI-projektjeinkben. Ezeket egyéni vagy csapatszinten is meghatározhatjuk. Azonban a legtöbb nagy szervezet ezeket egy _etikus MI_ küldetésnyilatkozatban vagy keretrendszerben foglalja össze, amelyet vállalati szinten határoznak meg, és következetesen érvényesítenek minden csapatban.
+
+**Példa:** A Microsoft [Felelős MI](https://www.microsoft.com/en-us/ai/responsible-ai) küldetésnyilatkozata így szól: _"Elkötelezettek vagyunk az MI fejlődése iránt, amelyet olyan etikai elvek vezérelnek, amelyek az embereket helyezik előtérbe"_ - az alábbi keretrendszerben 6 etikai elvet azonosítva:
+
+![Felelős MI a Microsoftnál](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Vizsgáljuk meg röviden ezeket az elveket. A _transzparencia_ és az _elszámoltathatóság_ alapvető értékek, amelyekre a többi elv épül - kezdjük ezekkel:
+
+* [**Elszámoltathatóság**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) biztosítja, hogy a szakemberek _felelősséget vállaljanak_ adat- és MI-műveleteikért, valamint az etikai elvek betartásáért.
+* [**Transzparencia**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) biztosítja, hogy az adat- és MI-műveletek _érthetőek_ legyenek a felhasználók számára, megmagyarázva a döntések mögötti mit és miért.
+* [**Méltányosság**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - biztosítja, hogy az MI _minden embert_ méltányosan kezeljen, kezelve az adat- és rendszerszintű implicit társadalmi-technikai torzításokat.
+* [**Megbízhatóság és biztonság**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - biztosítja, hogy az MI _következetesen_ viselkedjen a meghatározott értékekkel összhangban, minimalizálva a potenciális károkat vagy nem szándékos következményeket.
+* [**Adatvédelem és biztonság**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - az adatok eredetének megértéséről és a felhasználók számára _adatvédelem és kapcsolódó védelem_ biztosításáról szól.
+* [**Befogadás**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - az MI-megoldások szándékos tervezéséről szól, hogy azok _széles körű emberi igényekhez_ és képességekhez alkalmazkodjanak.
+
+> 🚨 Gondolkodj el azon, hogy mi lehetne a te adatetikai küldetésnyilatkozatod. Fedezd fel más szervezetek etikus MI-keretrendszereit - itt van néhány példa: [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), és [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Milyen közös értékeket találsz bennük? Hogyan kapcsolódnak ezek az elvek az általuk működtetett MI-termékekhez vagy iparágakhoz?
+
+### 2. Etikai kihívások
+
+Miután meghatároztuk az etikai elveket, a következő lépés az adat- és MI-műveleteink értékelése annak érdekében, hogy azok összhangban állnak-e ezekkel a közös értékekkel. Gondolj a cselekedeteidre két kategóriában: _adatgyűjtés_ és _algoritmus tervezés_.
+
+Az adatok gyűjtése során a műveletek valószínűleg **személyes adatokat** vagy személyesen azonosítható információkat (PII) érintenek, amelyek azonosítható élő személyekre vonatkoznak. Ez magában foglalja a [különféle nem személyes adatokat](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), amelyek _együttesen_ azonosítanak egy személyt. Az etikai kihívások kapcsolódhatnak az _adatvédelemhez_, _adatbirtokláshoz_ és kapcsolódó témákhoz, mint például a _tájékozott beleegyezés_ és a _felhasználói szellemi tulajdonjogok_.
+
+Az algoritmus tervezése során a műveletek magukban foglalják a **adatkészletek** gyűjtését és kurálását, majd ezek felhasználását **adatmodellek** betanítására és telepítésére, amelyek valós környezetben jósolnak eredményeket vagy automatizálnak döntéseket. Az etikai kihívások felmerülhetnek az _adatkészlet torzításából_, _adatminőségi_ problémákból, _méltánytalanságból_ és _félrevezetésből_ az algoritmusokban - beleértve néhány rendszerszintű problémát is.
+
+Mindkét esetben az etikai kihívások olyan területeket emelnek ki, ahol cselekedeteink konfliktusba kerülhetnek közös értékeinkkel. Az ilyen aggályok észleléséhez, enyhítéséhez, minimalizálásához vagy megszüntetéséhez erkölcsi "igen/nem" kérdéseket kell feltennünk a cselekedeteinkkel kapcsolatban, majd szükség esetén korrekciós intézkedéseket kell tennünk. Nézzünk meg néhány etikai kihívást és az általuk felvetett erkölcsi kérdéseket:
+
+#### 2.1 Adatbirtoklás
+
+Az adatok gyűjtése gyakran személyes adatokat érint, amelyek az adat alanyait azonosíthatják. Az [adatbirtoklás](https://permission.io/blog/data-ownership) az adatok létrehozásával, feldolgozásával és terjesztésével kapcsolatos _ellenőrzésről_ és [_felhasználói jogokról_](https://permission.io/blog/data-ownership) szól.
+
+Az erkölcsi kérdések, amelyeket fel kell tennünk:
+ * Ki birtokolja az adatokat? (felhasználó vagy szervezet)
+ * Milyen jogai vannak az adat alanyainak? (pl. hozzáférés, törlés, hordozhatóság)
+ * Milyen jogai vannak a szervezeteknek? (pl. rosszindulatú felhasználói vélemények helyesbítése)
+
+#### 2.2 Tájékozott beleegyezés
+
+A [tájékozott beleegyezés](https://legaldictionary.net/informed-consent/) azt jelenti, hogy a felhasználók egy cselekvéshez (például adatgyűjtéshez) _teljes körű megértéssel_ járulnak hozzá, beleértve a célokat, a lehetséges kockázatokat és az alternatívákat.
+
+Itt feltett kérdések:
+ * A felhasználó (adat alanya) engedélyt adott az adatok rögzítésére és felhasználására?
+ * A felhasználó megértette, hogy mi célból gyűjtötték az adatokat?
+ * A felhasználó megértette a részvételéből eredő lehetséges kockázatokat?
+
+#### 2.3 Szellemi tulajdon
+
+A [szellemi tulajdon](https://en.wikipedia.org/wiki/Intellectual_property) az emberi kezdeményezésből származó immateriális alkotásokra utal, amelyek _gazdasági értékkel_ bírhatnak egyének vagy vállalkozások számára.
+
+Itt feltett kérdések:
+ * Az összegyűjtött adatok gazdasági értékkel bírnak-e egy felhasználó vagy vállalkozás számára?
+ * Van-e a **felhasználónak** szellemi tulajdona itt?
+ * Van-e a **szervezetnek** szellemi tulajdona itt?
+ * Ha ezek a jogok léteznek, hogyan védjük őket?
+
+#### 2.4 Adatvédelem
+
+Az [adatvédelem](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) vagy információs magánélet a felhasználói magánélet megőrzésére és a felhasználói identitás védelmére vonatkozik a személyesen azonosítható információk tekintetében.
+
+Itt feltett kérdések:
+ * A felhasználók (személyes) adatai védettek-e a hackelésekkel és szivárgásokkal szemben?
+ * A felhasználók adatai csak jogosult felhasználók és kontextusok számára érhetők el?
+ * A felhasználók anonimitása megmarad-e, amikor az adatokat megosztják vagy terjesztik?
+ * Egy felhasználó
+[Algorithmusok méltányossága](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) azt vizsgálja, hogy az algoritmus tervezése szisztematikusan diszkriminálja-e az adatközösségek bizonyos alcsoportjait, ami [potenciális károkat](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) okozhat az _erőforrások elosztásában_ (amikor az erőforrásokat megtagadják vagy visszatartják az adott csoporttól) és a _szolgáltatás minőségében_ (amikor az AI nem olyan pontos bizonyos alcsoportok esetében, mint másoknál).
+
+Kérdések, amelyeket érdemes megvizsgálni:
+ * Értékeltük-e a modell pontosságát különböző alcsoportok és körülmények között?
+ * Vizsgáltuk-e a rendszert potenciális károk (pl. sztereotípiák) szempontjából?
+ * Tudjuk-e módosítani az adatokat vagy újratanítani a modelleket az azonosított károk enyhítése érdekében?
+
+Fedezz fel olyan forrásokat, mint az [AI méltányossági ellenőrzőlisták](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), hogy többet megtudj.
+
+#### 2.9 Félrevezetés
+
+[Adataz félrevezetése](https://www.sciencedirect.com/topics/computer-science/misrepresentation) arra vonatkozik, hogy vajon őszintén jelentett adatokból származó betekintéseket megtévesztő módon kommunikálunk-e, hogy támogassunk egy kívánt narratívát.
+
+Kérdések, amelyeket érdemes megvizsgálni:
+ * Jelentünk-e hiányos vagy pontatlan adatokat?
+ * Úgy vizualizáljuk-e az adatokat, hogy félrevezető következtetéseket vonjanak le belőlük?
+ * Használunk-e szelektív statisztikai technikákat az eredmények manipulálására?
+ * Vannak-e alternatív magyarázatok, amelyek más következtetést kínálhatnak?
+
+#### 2.10 Szabad választás
+A [szabad választás illúziója](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) akkor fordul elő, amikor a rendszer "választási architektúrái" döntéshozó algoritmusokat használnak arra, hogy az embereket egy preferált eredmény felé tereljék, miközben úgy tűnik, hogy lehetőségeket és kontrollt adnak nekik. Ezek a [sötét minták](https://www.darkpatterns.org/) társadalmi és gazdasági károkat okozhatnak a felhasználóknak. Mivel a felhasználói döntések befolyásolják a viselkedési profilokat, ezek a cselekvések potenciálisan meghatározhatják a jövőbeli választásokat, amelyek felerősíthetik vagy kiterjeszthetik a károk hatását.
+
+Kérdések, amelyeket érdemes megvizsgálni:
+ * Értette-e a felhasználó annak a választásnak a következményeit?
+ * Tudott-e a felhasználó az (alternatív) választási lehetőségekről és azok előnyeiről és hátrányairól?
+ * Visszafordíthatja-e a felhasználó egy automatizált vagy befolyásolt döntést később?
+
+### 3. Esettanulmányok
+
+Ahhoz, hogy ezeket az etikai kihívásokat valós kontextusba helyezzük, érdemes olyan esettanulmányokat megvizsgálni, amelyek kiemelik az egyénekre és a társadalomra gyakorolt potenciális károkat és következményeket, amikor az ilyen etikai vétségeket figyelmen kívül hagyják.
+
+Íme néhány példa:
+
+| Etikai kihívás | Esettanulmány  | 
+|--- |--- |
+| **Tájékozott beleegyezés** | 1972 - [Tuskegee szifilisz tanulmány](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Az afrikai-amerikai férfiak, akik részt vettek a tanulmányban, ingyenes orvosi ellátást ígértek, _de megtévesztették_ őket a kutatók, akik nem tájékoztatták őket a diagnózisukról vagy a kezelés elérhetőségéről. Sok alany meghalt, és partnereik vagy gyermekeik is érintettek voltak; a tanulmány 40 évig tartott. | 
+| **Adatvédelem** |  2007 - A [Netflix adatdíj](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) kutatóknak _10M anonimizált filmértékelést 50K ügyféltől_ biztosított, hogy javítsák az ajánlási algoritmusokat. Azonban a kutatók képesek voltak az anonimizált adatokat személyazonosító adatokkal összekapcsolni _külső adatbázisokban_ (pl. IMDb kommentek), hatékonyan "deanonimizálva" néhány Netflix előfizetőt.|
+| **Gyűjtési torzítás**  | 2013 - Boston városa [kifejlesztette a Street Bump](https://www.boston.gov/transportation/street-bump) alkalmazást, amely lehetővé tette a polgárok számára, hogy kátyúkat jelentsenek, jobb úthálózati adatokat biztosítva a városnak a problémák megtalálásához és javításához. Azonban [az alacsonyabb jövedelmű csoportoknak kevesebb hozzáférésük volt autókhoz és telefonokhoz](https://hbr.org/2013/04/the-hidden-biases-in-big-data), így az ő úthálózati problémáik láthatatlanok maradtak az alkalmazásban. A fejlesztők akadémikusokkal dolgoztak együtt, hogy _méltányos hozzáférést és digitális szakadékokat_ kezeljenek a méltányosság érdekében. |
+| **Algoritmusok méltányossága**  | 2018 - Az MIT [Gender Shades Study](http://gendershades.org/overview.html) értékelte a nemek osztályozására szolgáló AI termékek pontosságát, feltárva a pontossági hiányosságokat a nők és színes bőrűek esetében. Egy [2019-es Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) látszólag kevesebb hitelt kínált a nőknek, mint a férfiaknak. Mindkettő az algoritmikus torzítás problémáit illusztrálta, amelyek társadalmi-gazdasági károkat okoztak.|
+| **Adatok félrevezetése** | 2020 - A [Georgia Egészségügyi Minisztérium COVID-19 grafikonokat](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) tett közzé, amelyek látszólag félrevezették a polgárokat az igazolt esetek trendjeiről, nem kronológiai sorrendben az x-tengelyen. Ez a vizualizációs trükkök általi félrevezetést illusztrálja. |
+| **Szabad választás illúziója** | 2020 - A tanulási alkalmazás [ABCmouse 10M dollárt fizetett az FTC panasz rendezésére](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), ahol a szülők nem tudták lemondani az előfizetéseket, amelyekbe belecsúsztak. Ez a választási architektúrák sötét mintáit illusztrálja, ahol a felhasználókat potenciálisan káros döntések felé terelték. |
+| **Adatvédelem és felhasználói jogok** | 2021 - A Facebook [adatvédelmi incidens](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530M felhasználó adatait tette ki, ami 5B dolláros egyezséget eredményezett az FTC-vel. Azonban megtagadta a felhasználók értesítését az incidensről, megsértve a felhasználói jogokat az adatátláthatóság és hozzáférés terén. |
+
+Szeretnél további esettanulmányokat felfedezni? Nézd meg ezeket a forrásokat:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etikai dilemmák különböző iparágakban. 
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - mérföldkőnek számító esettanulmányok.
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon ellenőrzőlista példákkal.
+
+> 🚨 Gondolj azokra az esettanulmányokra, amelyeket láttál - tapasztaltál vagy érintett-e hasonló etikai kihívást az életedben? Tudsz legalább egy másik esettanulmányt, amely illusztrálja az ebben a szakaszban tárgyalt etikai kihívások egyikét?
+
+## Alkalmazott etika
+
+Beszéltünk az etikai fogalmakról, kihívásokról és esettanulmányokról valós kontextusban. De hogyan kezdhetjük el _alkalmazni_ az etikai elveket és gyakorlatokat a projektjeinkben? És hogyan _operacionalizálhatjuk_ ezeket a gyakorlatokat a jobb irányítás érdekében? Nézzünk meg néhány valós megoldást:
+
+### 1. Szakmai kódexek
+
+A szakmai kódexek egy lehetőséget kínálnak a szervezetek számára, hogy "ösztönözzék" tagjaikat az etikai elveik és küldetésük támogatására. A kódexek _erkölcsi iránymutatások_ a szakmai viselkedéshez, segítve az alkalmazottakat vagy tagokat olyan döntések meghozatalában, amelyek összhangban vannak a szervezet elveivel. Csak annyira hatékonyak, amennyire a tagok önkéntes megfelelése; azonban sok szervezet további jutalmakat és büntetéseket kínál, hogy motiválja a tagokat a megfelelésre.
+
+Példák:
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Etikai Kódex
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Magatartási Kódex (2013-ban létrehozva)
+ * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 óta)
+
+> 🚨 Tagja vagy valamilyen szakmai mérnöki vagy adatkutatási szervezetnek? Nézd meg a weboldalukat, hogy meghatároznak-e szakmai etikai kódexet. Mit mond ez az etikai elveikről? Hogyan "ösztönzik" a tagokat a kódex követésére?
+
+### 2. Etikai ellenőrzőlisták
+
+Míg a szakmai kódexek meghatározzák a szakemberek _etikai viselkedését_, [ismert korlátokkal](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) rendelkeznek a végrehajtásban, különösen nagyszabású projektek esetében. Ehelyett sok adatkutatási szakértő [ellenőrzőlistákat javasol](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), amelyek **összekapcsolják az elveket a gyakorlatokkal** determinisztikusabb és cselekvőképesebb módon.
+
+Az ellenőrzőlisták a kérdéseket "igen/nem" feladatokká alakítják, amelyek operacionalizálhatók, lehetővé téve, hogy nyomon kövessék őket a szokásos termékkiadási munkafolyamatok részeként.
+
+Példák:
+ * [Deon](https://deon.drivendata.org/) - általános célú adatetikai ellenőrzőlista, amelyet [iparági ajánlások](https://deon.drivendata.org/#checklist-citations) alapján hoztak létre, parancssori eszközzel a könnyű integráció érdekében.
+ * [Adatvédelmi audit ellenőrzőlista](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - általános iránymutatást nyújt az információkezelési gyakorlatokhoz jogi és társadalmi kitettség szempontjából.
+ * [AI méltányossági ellenőrzőlista](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI szakemberek által létrehozva, hogy támogassák a méltányossági ellenőrzések bevezetését és integrációját az AI fejlesztési ciklusokba.
+ * [22 kérdés az adatok és AI etikájáról](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - nyitottabb keretrendszer, amelyet az etikai kérdések kezdeti feltárására strukturáltak a tervezés, megvalósítás és szervezeti kontextusokban.
+
+### 3. Etikai szabályozások
+
+Az etika közös értékek meghatározásáról és a helyes cselekvésről szól _önkéntesen_. **Megfelelés** arról szól, hogy _követjük a törvényt_, ha és ahol meghatározták. **Irányítás** szélesebb értelemben magában foglalja az összes módot, ahogyan a szervezetek működnek az etikai elvek érvényesítése és a meghatározott törvények betartása érdekében.
+
+Ma az irányítás két formát ölt a szervezeteken belül. Először is, az **etikus AI** elvek meghatározásáról és a gyakorlatok létrehozásáról szól, hogy operacionalizálják az elfogadást az összes AI-val kapcsolatos projektben a szervezeten belül. Másodszor, arról szól, hogy megfeleljenek az összes kormány által előírt **adatvédelmi szabályozásnak** azokban a régiókban, ahol működnek.
+
+Adatvédelmi és adatvédelmi szabályozások példái:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - szabályozza a _szövetségi kormány_ személyes információk gyűjtését, használatát és közzétételét.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - védi a személyes egészségügyi adatokat.
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - védi a 13 év alatti gyermekek adatvédelmét.
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - felhasználói jogokat, adatvédelmet és adatbiztonságot biztosít.
+ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) több _jogot_ biztosít a fogyasztóknak a (személyes) adataik felett.
+ * `2021`, Kína [Személyes Információk Védelmi Törvénye](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) éppen elfogadva, létrehozva az egyik legerősebb online adatvédelmi szabályozást világszerte.
+
+> 🚨 Az Európai Unió által meghatározott GDPR (Általános Adatvédelmi Rendelet) ma az egyik legbefolyásosabb adatvédelmi szabályozás. Tudtad, hogy [8 felhasználói jogot](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) is meghatároz a digitális adatvédelem és személyes adatok védelme érdek
+* [A felelős mesterséges intelligencia alapelvei](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ingyenes tanulási útvonal a Microsoft Learn-től.
+* [Etika és adattudomány](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason és mások)
+* [Adattudományi etika](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurzus a Michigani Egyetemtől.
+* [Etika kibontva](https://ethicsunwrapped.utexas.edu/case-studies) - esettanulmányok a Texasi Egyetemtől.
+
+# Feladat 
+
+[Írj egy esettanulmányt az adatetikáról](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/02-ethics/assignment.md b/translations/hu/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..30038e89
--- /dev/null
+++ b/translations/hu/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:16:47+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "hu"
+}
+-->
+## Írj egy adatetikai esettanulmányt
+
+## Útmutató
+
+Már megismerkedtél különböző [Adatetikai Kihívásokkal](README.md#2-ethics-challenges), és láttál néhány példát [Esettanulmányokra](README.md#3-case-studies), amelyek valós kontextusban mutatják be az adatetikával kapcsolatos problémákat.
+
+Ebben a feladatban saját esettanulmányt fogsz írni, amely egy adatetikai kihívást tükröz, akár a saját tapasztalataidból, akár egy olyan valós kontextusból, amelyet ismersz. Csak kövesd az alábbi lépéseket:
+
+1. `Válassz egy Adatetikai Kihívást`. Nézd meg [az órai példákat](README.md#2-ethics-challenges), vagy keress online példákat, például [a Deon Checklistet](https://deon.drivendata.org/examples/), hogy inspirációt szerezz.
+
+2. `Írj le egy Valós Példát`. Gondolj egy olyan helyzetre, amelyről hallottál (hírek, kutatási tanulmány stb.) vagy amelyet átéltél (helyi közösség), ahol ez a konkrét kihívás felmerült. Gondold át az adatetikával kapcsolatos kérdéseket, amelyek a kihíváshoz kapcsolódnak – és beszélj azokról a lehetséges károkról vagy nem szándékolt következményekről, amelyek ebből az ügyből adódnak. Bónuszpontok: gondolj lehetséges megoldásokra vagy folyamatokra, amelyek segíthetnek csökkenteni vagy megszüntetni ennek a kihívásnak a káros hatásait.
+
+3. `Adj meg Kapcsolódó Forrásokat`. Ossz meg egy vagy több forrást (például egy cikk linkjét, személyes blogbejegyzést vagy képet, online kutatási anyagot stb.), hogy bizonyítsd, hogy ez egy valós eset volt. Bónuszpontok: ossz meg olyan forrásokat, amelyek bemutatják az esetből eredő károkat és következményeket, vagy kiemelik azokat a pozitív lépéseket, amelyeket az ismétlődés megakadályozása érdekében tettek.
+
+
+
+## Értékelési Szempontok
+
+Kiváló | Megfelelő | Fejlesztésre Szorul
+--- | --- | -- |
+Egy vagy több adatetikai kihívás azonosítva van. <br/><br/> Az esettanulmány világosan leír egy valós eseményt, amely tükrözi ezt a kihívást, és kiemeli az általa okozott nem kívánt következményeket vagy károkat. <br/><br/> Legalább egy hivatkozott forrás bizonyítja, hogy az eset valóban megtörtént. | Egy adatetikai kihívás azonosítva van. <br/><br/> Legalább egy releváns kár vagy következmény röviden meg van említve. <br/><br/> Azonban a leírás korlátozott, vagy hiányzik a valós esemény bizonyítása. | Egy adatetikai kihívás azonosítva van. <br/><br/> Azonban a leírás vagy a források nem megfelelően tükrözik a kihívást, vagy nem bizonyítják annak valós előfordulását. |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/03-defining-data/README.md b/translations/hu/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..3bbb78fc
--- /dev/null
+++ b/translations/hu/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,84 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:27:55+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatok meghatározása
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Adatok meghatározása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Az adatok tények, információk, megfigyelések és mérések, amelyeket felfedezésekhez és megalapozott döntések támogatásához használnak. Egy adatpont egyetlen adategység egy adathalmazon belül, amely adatpontok gyűjteménye. Az adathalmazok különböző formátumokban és struktúrákban jelenhetnek meg, és általában az adat forrása alapján szerveződnek. Például egy vállalat havi bevételei egy táblázatban lehetnek, míg egy okosóra óránkénti pulzusadatai [JSON](https://stackoverflow.com/a/383699) formátumban. Gyakori, hogy adatkutatók különböző típusú adatokkal dolgoznak egy adathalmazon belül.
+
+Ez a lecke az adatok jellemzői és forrásai alapján történő azonosítására és osztályozására összpontosít.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+## Hogyan írjuk le az adatokat
+
+### Nyers adatok
+A nyers adatok olyan adatok, amelyek a forrásukból származnak eredeti állapotukban, és még nem elemezték vagy szervezték őket. Ahhoz, hogy megértsük, mi történik egy adathalmazzal, azt olyan formátumba kell szervezni, amelyet az emberek és az általuk használt technológia is képes értelmezni. Az adathalmaz szerkezete leírja, hogyan van szervezve, és strukturált, strukturálatlan vagy félig strukturált kategóriába sorolható. Ezek a struktúratípusok a forrástól függően változhatnak, de végül ezekbe a három kategóriába illeszkednek.
+
+### Kvantitatív adatok
+A kvantitatív adatok numerikus megfigyelések egy adathalmazon belül, amelyeket általában elemezni, mérni és matematikailag használni lehet. Néhány példa a kvantitatív adatokra: egy ország népessége, egy személy magassága vagy egy vállalat negyedéves bevételei. További elemzéssel a kvantitatív adatok felhasználhatók például az Air Quality Index (AQI) szezonális trendjeinek felfedezésére vagy a csúcsforgalom valószínűségének becslésére egy tipikus munkanapon.
+
+### Kvalitatív adatok
+A kvalitatív adatok, más néven kategóriális adatok, olyan adatok, amelyeket nem lehet objektíven mérni, mint a kvantitatív adatok megfigyeléseit. Általában különböző formátumú szubjektív adatok, amelyek valaminek a minőségét rögzítik, például egy termék vagy folyamat minőségét. Néha a kvalitatív adatok numerikusak, de nem használhatók matematikailag, mint például telefonszámok vagy időbélyegek. Néhány példa a kvalitatív adatokra: videókommentek, egy autó márkája és modellje, vagy a legközelebbi barátok kedvenc színe. A kvalitatív adatok felhasználhatók például annak megértésére, hogy mely termékeket kedvelik legjobban a fogyasztók, vagy népszerű kulcsszavak azonosítására álláspályázatokban.
+
+### Strukturált adatok
+A strukturált adatok olyan adatok, amelyek sorokba és oszlopokba vannak szervezve, ahol minden sor ugyanazt az oszlopkészletet tartalmazza. Az oszlopok egy adott típusú értéket képviselnek, és egy névvel vannak azonosítva, amely leírja, mit képvisel az érték, míg a sorok a tényleges értékeket tartalmazzák. Az oszlopok gyakran meghatározott szabályokkal vagy korlátozásokkal rendelkeznek az értékekre vonatkozóan, hogy biztosítsák, hogy az értékek pontosan képviseljék az oszlopot. Például képzeljünk el egy ügyfelek táblázatát, ahol minden sornak tartalmaznia kell egy telefonszámot, és a telefonszámok soha nem tartalmazhatnak betűket. Lehetnek szabályok a telefonszám oszlopra vonatkozóan, hogy az soha ne legyen üres, és csak számokat tartalmazzon.
+
+A strukturált adatok előnye, hogy olyan módon szervezhetők, hogy más strukturált adatokkal kapcsolatba hozhatók legyenek. Azonban mivel az adatokat egy adott módon kell szervezni, az általános struktúrájuk megváltoztatása sok erőfeszítést igényelhet. Például, ha egy e-mail oszlopot szeretnénk hozzáadni az ügyfelek táblázatához, amely nem lehet üres, akkor ki kell találnunk, hogyan adjuk hozzá ezeket az értékeket a meglévő ügyfél sorokhoz az adathalmazon belül.
+
+Példák strukturált adatokra: táblázatok, relációs adatbázisok, telefonszámok, bankszámlakivonatok
+
+### Strukturálatlan adatok
+A strukturálatlan adatok általában nem kategorizálhatók sorokba vagy oszlopokba, és nem tartalmaznak formátumot vagy szabályokat, amelyeket követni kell. Mivel a strukturálatlan adatok kevesebb korlátozással rendelkeznek a struktúrájukra vonatkozóan, könnyebb új információkat hozzáadni, mint egy strukturált adathalmaz esetében. Ha egy szenzor, amely 2 percenként rögzíti a légnyomás adatokat, kap egy frissítést, amely lehetővé teszi számára a hőmérséklet mérését és rögzítését, nem szükséges módosítani a meglévő adatokat, ha azok strukturálatlanok. Azonban ez megnehezítheti az ilyen típusú adatok elemzését vagy vizsgálatát. Például egy tudós, aki az előző hónap átlagos hőmérsékletét szeretné megtalálni a szenzor adataiból, felfedezheti, hogy a szenzor "e"-t rögzített néhány adatában, hogy jelezze, hogy meghibásodott, ahelyett, hogy tipikus számot rögzített volna, ami azt jelenti, hogy az adatok hiányosak.
+
+Példák strukturálatlan adatokra: szövegfájlok, szöveges üzenetek, videófájlok
+
+### Félig strukturált adatok
+A félig strukturált adatok olyan jellemzőkkel rendelkeznek, amelyek a strukturált és strukturálatlan adatok kombinációjává teszik őket. Általában nem felelnek meg a sorok és oszlopok formátumának, de olyan módon vannak szervezve, amely strukturáltnak tekinthető, és követhetnek egy meghatározott formátumot vagy szabályokat. A struktúra a források között változhat, például egy jól definiált hierarchiától valami rugalmasabbig, amely lehetővé teszi az új információk könnyű integrálását. A metaadatok olyan jelzők, amelyek segítenek eldönteni, hogyan van az adat szervezve és tárolva, és különböző nevekkel rendelkeznek az adat típusától függően. Néhány gyakori név a metaadatokra: címkék, elemek, entitások és attribútumok. Például egy tipikus e-mail üzenetnek van tárgya, szövege és címzettjei, és szervezhető az alapján, hogy ki vagy mikor küldte.
+
+Példák félig strukturált adatokra: HTML, CSV fájlok, JavaScript Object Notation (JSON)
+
+## Az adatok forrásai
+
+Az adatforrás az a kezdeti hely, ahol az adat létrejött, vagy ahol "él", és változhat attól függően, hogyan és mikor gyűjtötték. A felhasználók által generált adatok elsődleges adatoknak számítanak, míg a másodlagos adatok olyan forrásból származnak, amely általános használatra gyűjtött adatokat. Például egy tudósok csoportja, amely megfigyeléseket gyűjt egy esőerdőben, elsődleges adatnak számít, és ha úgy döntenek, hogy megosztják más tudósokkal, az másodlagos adatnak számít azok számára, akik használják.
+
+Az adatbázisok gyakori források, és egy adatbázis-kezelő rendszerre támaszkodnak az adatok tárolására és karbantartására, ahol a felhasználók lekérdezéseknek nevezett parancsokkal fedezik fel az adatokat. A fájlok adatforrásként lehetnek hang-, kép- és videófájlok, valamint táblázatok, mint például az Excel. Az internetes források gyakori helyek az adatok tárolására, ahol adatbázisok és fájlok is megtalálhatók. Az alkalmazásprogramozási interfészek, más néven API-k lehetővé teszik a programozók számára, hogy adatokat osszanak meg külső felhasználókkal az interneten keresztül, míg a webes adatgyűjtés egy weboldalról nyeri ki az adatokat. A [Working with Data leckék](../../../../../../../../../2-Working-With-Data) arra összpontosítanak, hogyan használjuk a különböző adatforrásokat.
+
+## Összegzés
+
+Ebben a leckében megtanultuk:
+
+- Mi az adat
+- Hogyan írjuk le az adatokat
+- Hogyan osztályozzuk és kategorizáljuk az adatokat
+- Hol találhatók az adatok
+
+## 🚀 Kihívás
+
+A Kaggle kiváló forrása a nyílt adathalmazoknak. Használja a [dataset kereső eszközt](https://www.kaggle.com/datasets), hogy találjon néhány érdekes adathalmazt, és osztályozzon 3-5 adathalmazt az alábbi kritériumok alapján:
+
+- Az adatok kvantitatívak vagy kvalitatívak?
+- Az adatok strukturáltak, strukturálatlanok vagy félig strukturáltak?
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Áttekintés és önálló tanulás
+
+- Ez a Microsoft Learn egység, amelynek címe [Classify your Data](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), részletesen bemutatja a strukturált, félig strukturált és strukturálatlan adatokat.
+
+## Feladat
+
+[Adathalmazok osztályozása](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/03-defining-data/assignment.md b/translations/hu/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..ffe3db11
--- /dev/null
+++ b/translations/hu/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:31:10+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Adatkészletek osztályozása
+
+## Útmutató
+
+Kövesd az ebben a feladatban található utasításokat, hogy az adatokat az alábbi adattípusok egyikével azonosítsd és osztályozd:
+
+**Struktúratípusok**: Strukturált, Félig strukturált vagy Strukturálatlan
+
+**Értéktípusok**: Kvalitatív vagy Kvantitatív
+
+**Forrástípusok**: Elsődleges vagy Másodlagos
+
+1. Egy vállalatot felvásároltak, és most egy anyavállalat része lett. Az adattudósok egy táblázatot kaptak az anyavállalattól, amely az ügyfelek telefonszámait tartalmazza.
+
+Struktúratípus:
+
+Értéktípus:
+
+Forrástípus:
+
+---
+
+2. Egy okosóra gyűjtötte a viselője pulzusadatait, és a nyers adatok JSON formátumban vannak.
+
+Struktúratípus:
+
+Értéktípus:
+
+Forrástípus:
+
+---
+
+3. Egy munkahelyi felmérés az alkalmazottak moráljáról, amely CSV fájlban van tárolva.
+
+Struktúratípus:
+
+Értéktípus:
+
+Forrástípus:
+
+---
+
+4. Asztrofizikusok egy űrszonda által gyűjtött galaxisok adatbázisához férnek hozzá. Az adatok tartalmazzák az egyes galaxisokban található bolygók számát.
+
+Struktúratípus:
+
+Értéktípus:
+
+Forrástípus:
+
+---
+
+5. Egy személyes pénzügyi alkalmazás API-kat használ, hogy csatlakozzon a felhasználó pénzügyi számláihoz, és kiszámítsa a nettó vagyonukat. Az összes tranzakciójukat sorok és oszlopok formátumban láthatják, amely hasonlít egy táblázatra.
+
+Struktúratípus:
+
+Értéktípus:
+
+Forrástípus:
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Helyesen azonosítja az összes struktúrát, értéket és forrást | Helyesen azonosítja 3 struktúrát, értéket és forrást | Helyesen azonosít 2 vagy kevesebb struktúrát, értéket és forrást |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/04-stats-and-probability/README.md b/translations/hu/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..93ad1a8e
--- /dev/null
+++ b/translations/hu/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:33:54+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "hu"
+}
+-->
+# A statisztika és a valószínűség rövid bemutatása
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Statisztika és valószínűség - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+A statisztika és a valószínűségelmélet a matematika két szorosan összefüggő területe, amelyek kiemelten fontosak az adatelemzés szempontjából. Bár lehetséges adatokkal dolgozni mély matematikai ismeretek nélkül, mégis hasznos, ha legalább az alapfogalmakat ismerjük. Ebben a rövid bevezetőben bemutatjuk az induláshoz szükséges alapokat.
+
+[![Bevezető videó](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hu.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Valószínűség és véletlen változók
+
+**Valószínűség** egy 0 és 1 közötti szám, amely kifejezi, hogy egy **esemény** mennyire valószínű. Úgy definiáljuk, mint a pozitív kimenetelek számát (amelyek az eseményhez vezetnek), osztva az összes lehetséges kimenetel számával, feltételezve, hogy minden kimenetel egyformán valószínű. Például, ha dobunk egy kockával, annak a valószínűsége, hogy páros számot kapunk, 3/6 = 0,5.
+
+Amikor eseményekről beszélünk, **véletlen változókat** használunk. Például a véletlen változó, amely a kockadobás eredményét reprezentálja, 1-től 6-ig terjedő értékeket vehet fel. Az 1-től 6-ig terjedő számok halmazát **minta-térnek** nevezzük. Beszélhetünk annak a valószínűségéről, hogy egy véletlen változó egy adott értéket vesz fel, például P(X=3)=1/6.
+
+Az előző példában szereplő véletlen változót **diszkrétnek** nevezzük, mert számlálható minta-térrel rendelkezik, azaz különálló értékek vannak, amelyeket felsorolhatunk. Vannak olyan esetek, amikor a minta-tér valós számok egy tartománya, vagy az egész valós számhalmaz. Az ilyen változókat **folytonosnak** nevezzük. Jó példa erre a busz érkezési ideje.
+
+## Valószínűségi eloszlás
+
+Diszkrét véletlen változók esetén könnyű leírni az egyes események valószínűségét egy P(X) függvénnyel. A minta-tér *S* minden *s* értékére egy 0 és 1 közötti számot ad, úgy, hogy az összes P(X=s) érték összege minden eseményre 1 legyen.
+
+A legismertebb diszkrét eloszlás az **egyenletes eloszlás**, amelyben a minta-tér N elemből áll, és mindegyikük valószínűsége 1/N.
+
+Folytonos változók esetén nehezebb leírni a valószínűségi eloszlást, ha az értékek egy [a,b] intervallumból, vagy az egész valós számhalmazból ℝ származnak. Vegyük például a busz érkezési idejét. Valójában minden pontos érkezési idő *t* esetén annak a valószínűsége, hogy a busz pontosan akkor érkezik, 0!
+
+> Most már tudod, hogy 0 valószínűségű események is megtörténnek, és nagyon gyakran! Legalábbis minden alkalommal, amikor a busz megérkezik!
+
+Csak arról beszélhetünk, hogy egy változó egy adott értéktartományba esik, például P(t<sub>1</sub>≤X<t<sub>2</sub>). Ebben az esetben a valószínűségi eloszlást egy **valószínűségi sűrűségfüggvény** p(x) írja le, amelyre igaz, hogy
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hu.png)
+
+Az egyenletes eloszlás folytonos analógját **folytonos egyenletes eloszlásnak** nevezzük, amely egy véges intervallumon van definiálva. Annak a valószínűsége, hogy az X érték egy l hosszúságú intervallumba esik, arányos l-lel, és legfeljebb 1 lehet.
+
+Egy másik fontos eloszlás a **normális eloszlás**, amelyről később részletesebben beszélünk.
+
+## Átlag, szórás és standard deviáció
+
+Tegyük fel, hogy egy véletlen változó X n mintáját vesszük: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Az értékek **átlagát** (vagy **aritmetikai közepét**) hagyományos módon definiálhatjuk: (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. Ahogy növeljük a minta méretét (azaz n→∞ határértéket veszünk), megkapjuk az eloszlás átlagát (más néven **várható értékét**). A várható értéket **E**(x)-szel jelöljük.
+
+> Kimutatható, hogy bármely diszkrét eloszlás esetén, amelynek értékei {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} és megfelelő valószínűségei p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, a várható érték E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Annak meghatározására, hogy az értékek mennyire szóródnak, kiszámíthatjuk a szórást: σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, ahol μ a sorozat átlaga. Az értéket **standard deviációnak** nevezzük, míg σ<sup>2</sup>-t **varianciának**.
+
+## Módusz, medián és kvartilisek
+
+Az átlag nem mindig tükrözi megfelelően az "általános" értéket az adatokban. Például, ha néhány szélsőséges érték teljesen kilóg a tartományból, ezek befolyásolhatják az átlagot. Egy másik jó mutató a **medián**, egy olyan érték, amelynél az adatok fele kisebb, a másik fele pedig nagyobb.
+
+Az adatok eloszlásának megértéséhez hasznos a **kvartilisekről** beszélni:
+
+* Az első kvartilis, vagy Q1, egy olyan érték, amelynél az adatok 25%-a alatta van
+* A harmadik kvartilis, vagy Q3, egy olyan érték, amelynél az adatok 75%-a alatta van
+
+Grafikusan a medián és a kvartilisek kapcsolatát egy **box plot** diagramon ábrázolhatjuk:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Itt kiszámítjuk az **interkvartilis tartományt** IQR=Q3-Q1, valamint az úgynevezett **kiugró értékeket** - azokat az értékeket, amelyek kívül esnek a [Q1-1.5*IQR,Q3+1.5*IQR] határokon.
+
+Ha az eloszlás véges, és csak kis számú lehetséges értéket tartalmaz, egy jó "általános" érték az, amely a leggyakrabban fordul elő, ezt nevezzük **módusznak**. Gyakran alkalmazzák kategóriákra, például színekre. Vegyünk egy helyzetet, amikor két csoport van - az egyik erősen kedveli a pirosat, a másik pedig a kéket. Ha a színeket számokkal kódoljuk, a kedvenc szín átlagértéke valahol a narancs-zöld spektrumban lenne, ami nem tükrözi egyik csoport tényleges preferenciáját sem. A módusz viszont vagy az egyik szín, vagy mindkettő lehet, ha az emberek száma, akik azokat választják, egyenlő (ebben az esetben az eloszlást **multimodálisnak** nevezzük).
+
+## Valós adatok
+
+Amikor valós adatokat elemzünk, gyakran nem véletlen változókról van szó abban az értelemben, hogy nem végezünk kísérleteket ismeretlen eredménnyel. Például vegyünk egy baseballcsapatot, és az ő testadataikat, mint magasság, súly és életkor. Ezek a számok nem teljesen véletlenek, de mégis alkalmazhatjuk rájuk ugyanazokat a matematikai fogalmakat. Például az emberek súlyának sorozata tekinthető egy véletlen változóból származó értékek sorozatának. Az alábbiakban a baseball játékosok súlyának sorozata látható a [Major League Baseball](http://mlb.mlb.com/index.jsp) csapatából, amelyet [ebből az adatbázisból](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) vettünk (a könnyebb érthetőség kedvéért csak az első 20 érték van megadva):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Note**: Ha szeretnéd látni, hogyan dolgozhatsz ezzel az adatbázissal, nézd meg a [kapcsolódó notebookot](notebook.ipynb). Az órán számos kihívás található, amelyeket úgy oldhatsz meg, hogy kódot adsz hozzá a notebookhoz. Ha nem vagy biztos abban, hogyan kell adatokat kezelni, ne aggódj - később visszatérünk az adatok Python segítségével történő feldolgozásához. Ha nem tudod, hogyan kell kódot futtatni Jupyter Notebookban, olvasd el [ezt a cikket](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Itt látható a box plot, amely az átlagot, mediánt és kvartiliseket mutatja az adatainkhoz:
+
+![Súly Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hu.png)
+
+Mivel adataink különböző játékos **szerepekről** tartalmaznak információt, készíthetünk box plotot szerepek szerint is - ez lehetővé teszi, hogy megértsük, hogyan különböznek az értékek szerepek szerint. Ezúttal a magasságot vizsgáljuk:
+
+![Box plot szerepek szerint](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hu.png)
+
+Ez a diagram azt sugallja, hogy átlagosan az első bázisjátékosok magassága nagyobb, mint a második bázisjátékosoké. Később az órán megtanuljuk, hogyan tesztelhetjük ezt a hipotézist formálisabban, és hogyan mutathatjuk ki, hogy adataink statisztikailag jelentősek-e ennek bizonyítására.
+
+> Valós adatokkal dolgozva feltételezzük, hogy minden adatpont egy valószínűségi eloszlásból származó minta. Ez a feltételezés lehetővé teszi számunkra, hogy gépi tanulási technikákat alkalmazzunk és működő prediktív modelleket építsünk.
+
+Az adatok eloszlásának megértéséhez készíthetünk egy **hisztogramot**. Az X-tengelyen különböző súlytartományok (úgynevezett **bin-ek**) szerepelnek, míg a függőleges tengelyen azt mutatjuk, hogy hányszor esett a véletlen változó mintája egy adott tartományba.
+
+![Valós adatok hisztogramja](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hu.png)
+
+Ebből a hisztogramból látható, hogy az összes érték egy bizonyos átlagos súly köré csoportosul, és minél távolabb megyünk ettől a súlytól, annál kevesebb ilyen érték fordul elő. Azaz nagyon valószínűtlen, hogy egy baseball játékos súlya jelentősen eltér az átlagos súlytól. A súlyok varianciája megmutatja, hogy mennyire valószínű, hogy a súlyok eltérnek az átlagtól.
+
+> Ha más emberek, például egyetemi hallgatók súlyát vizsgáljuk, az eloszlás valószínűleg eltérő lesz. Azonban az eloszlás alakja ugyanaz marad, csak az átlag és a variancia változik. Tehát, ha a modellünket baseball játékosokon tanítjuk, valószínűleg rossz eredményeket ad, ha egyetemi hallgatókra alkalmazzuk, mert az alapul szolgáló eloszlás eltérő.
+
+## Normális eloszlás
+
+A súlyok eloszlása, amelyet fentebb láttunk, nagyon tipikus, és sok valós mérések ugyanilyen típusú eloszlást követnek, de eltérő átlaggal és varianciával. Ezt az eloszlást **normális eloszlásnak** nevezzük, és nagyon fontos szerepet játszik a statisztikában.
+
+A normális eloszlás használata helyes módja annak, hogy véletlenszerű súlyokat generáljunk potenciális baseball játékosok számára. Ha ismerjük az átlagos súlyt `mean` és a standard deviációt `std`, 1000 súlymintát generálhatunk az alábbi módon:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Ha a generált minták hisztogramját ábrázoljuk, nagyon hasonló képet kapunk, mint amit fentebb láttunk. Ha növeljük a minták számát és a bin-ek számát, egy ideális normális eloszlás képét kapjuk:
+
+![Normális eloszlás átlag=0 és std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hu.png)
+
+*Normális eloszlás átlag=0 és std.dev=1*
+
+## Konfidencia intervallumok
+
+Amikor a baseball játékosok súlyáról beszélünk, feltételezzük, hogy létezik egy **W véletlen változó**, amely az összes baseball játékos súlyának ideális valószínűségi eloszlását (úgynevezett **populációt**) képviseli. A súlyok sorozata az összes baseball játékos egy részhalmazának felel meg, amelyet **mintának** nevezünk. Érdekes kérdés, hogy meg tudjuk-e határozni a W eloszlásának paramétereit, azaz a populáció átlagát és varianciáját.
+
+A legegyszerűbb válasz az lenne, hogy kiszámítjuk a minta átlagát és varianciáját. Azonban előfordulhat, hogy a véletlen mintánk nem pontosan reprezentálja a teljes populációt. Ezért van értelme **konfidencia intervallumokról** beszélni.
+> **Konfidencia intervallum** a populáció valódi átlagának becslése a mintánk alapján, amely egy bizonyos valószínűséggel (vagyis **bizalmi szinttel**) pontos.
+Tegyük fel, hogy van egy mintánk X<sub>1</sub>, ..., X<sub>n</sub> az eloszlásunkból. Minden alkalommal, amikor mintát veszünk az eloszlásunkból, eltérő átlagértéket, μ-t kapunk. Ezért μ tekinthető véletlen változónak. Egy **konfidencia-intervallum** konfidencia p értékkel egy (L<sub>p</sub>,R<sub>p</sub>) értékpár, amelyre igaz, hogy **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, azaz a mért átlagérték intervallumba esésének valószínűsége p.
+
+Rövid bevezetőnkön túlmutat, hogy részletesen tárgyaljuk, hogyan számítják ki ezeket a konfidencia-intervallumokat. További részletek találhatók [a Wikipédián](https://en.wikipedia.org/wiki/Confidence_interval). Röviden, meghatározzuk a számított mintaátlag eloszlását a populáció valódi átlagához viszonyítva, amit **Student-eloszlásnak** nevezünk.
+
+> **Érdekes tény**: A Student-eloszlás nevét William Sealy Gosset matematikusról kapta, aki "Student" álnéven publikálta tanulmányát. Gosset a Guinness sörgyárban dolgozott, és az egyik verzió szerint munkáltatója nem akarta, hogy a nagyközönség tudomást szerezzen arról, hogy statisztikai teszteket használnak a nyersanyagok minőségének meghatározására.
+
+Ha a populáció átlagát, μ-t szeretnénk p konfidenciával becsülni, akkor a Student-eloszlás *(1-p)/2-edik percentilisét* kell venni, amelyet táblázatokból vagy statisztikai szoftverek (pl. Python, R stb.) beépített függvényeivel lehet kiszámítani. Ezután az μ intervalluma X±A*D/√n lesz, ahol X a minta kapott átlaga, D a szórás.
+
+> **Megjegyzés**: Az [szabadságfokok](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) fontos fogalmának tárgyalását is kihagyjuk, amely a Student-eloszlással kapcsolatban lényeges. További statisztikai könyvekben mélyebben megérthető ez a fogalom.
+
+A súlyok és magasságok konfidencia-intervallumának kiszámítására példa található az [kísérő jegyzetfüzetekben](notebook.ipynb).
+
+| p | Súly átlaga |
+|-----|-----------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+Figyeljük meg, hogy minél nagyobb a konfidencia valószínűsége, annál szélesebb a konfidencia-intervallum.
+
+## Hipotézisvizsgálat
+
+A baseball játékosok adatállományában különböző játékos szerepek találhatók, amelyeket az alábbiakban összefoglalhatunk (nézd meg az [kísérő jegyzetfüzetet](notebook.ipynb), hogy látható legyen, hogyan számítható ki ez a táblázat):
+
+| Szerep | Magasság | Súly | Darabszám |
+|------|--------|--------|-------|
+| Catcher | 72.723684 | 204.328947 | 76 |
+| Designated_Hitter | 74.222222 | 220.888889 | 18 |
+| First_Baseman | 74.000000 | 213.109091 | 55 |
+| Outfielder | 73.010309 | 199.113402 | 194 |
+| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
+| Second_Baseman | 71.362069 | 184.344828 | 58 |
+| Shortstop | 71.903846 | 182.923077 | 52 |
+| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
+| Third_Baseman | 73.044444 | 200.955556 | 45 |
+
+Láthatjuk, hogy az első bázisjátékosok átlagos magassága nagyobb, mint a második bázisjátékosoké. Ezért kísértésbe eshetünk, hogy azt a következtetést vonjuk le, hogy **az első bázisjátékosok magasabbak, mint a második bázisjátékosok**.
+
+> Ezt az állítást **hipotézisnek** nevezzük, mert nem tudjuk, hogy a tény valóban igaz-e vagy sem.
+
+Azonban nem mindig egyértelmű, hogy levonhatjuk-e ezt a következtetést. Az előzőekből tudjuk, hogy minden átlaghoz tartozik egy konfidencia-intervallum, és így ez a különbség lehet pusztán statisztikai hiba. Szükségünk van egy formálisabb módszerre a hipotézis teszteléséhez.
+
+Számítsuk ki külön-külön az első és második bázisjátékosok magasságának konfidencia-intervallumait:
+
+| Konfidencia | Első bázisjátékosok | Második bázisjátékosok |
+|------------|---------------|----------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+Láthatjuk, hogy egyetlen konfidencia esetén sem fedik át egymást az intervallumok. Ez bizonyítja a hipotézisünket, hogy az első bázisjátékosok magasabbak, mint a második bázisjátékosok.
+
+Formálisabban, az általunk megoldandó probléma annak vizsgálata, hogy **két valószínűségi eloszlás azonos-e**, vagy legalábbis ugyanazokkal a paraméterekkel rendelkezik-e. Az eloszlástól függően különböző teszteket kell alkalmaznunk. Ha tudjuk, hogy eloszlásaink normálisak, alkalmazhatjuk a **[Student t-tesztet](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+A Student t-tesztben kiszámítjuk az úgynevezett **t-értéket**, amely jelzi az átlagok közötti különbséget, figyelembe véve a szórást. Kimutatták, hogy a t-érték követi a **Student-eloszlást**, amely lehetővé teszi számunkra, hogy megkapjuk a küszöbértéket egy adott konfidencia szinthez **p** (ez kiszámítható vagy numerikus táblázatokból kikereshető). Ezután összehasonlítjuk a t-értéket ezzel a küszöbértékkel, hogy elfogadjuk vagy elutasítsuk a hipotézist.
+
+Pythonban használhatjuk a **SciPy** csomagot, amely tartalmazza a `ttest_ind` függvényt (sok más hasznos statisztikai függvény mellett!). Ez kiszámítja nekünk a t-értéket, és fordított keresést végez a konfidencia p-értékére, így csak a konfidenciát kell megnéznünk, hogy következtetést vonjunk le.
+
+Például az első és második bázisjátékosok magasságának összehasonlítása a következő eredményeket adja:
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+Esetünkben a p-érték nagyon alacsony, ami azt jelenti, hogy erős bizonyíték van arra, hogy az első bázisjátékosok magasabbak.
+
+Más típusú hipotéziseket is tesztelhetünk, például:
+* Annak bizonyítása, hogy egy adott minta követ egy eloszlást. Esetünkben feltételeztük, hogy a magasságok normálisan oszlanak el, de ezt formális statisztikai ellenőrzésnek kell alávetni.
+* Annak bizonyítása, hogy egy minta átlagértéke megfelel egy előre meghatározott értéknek.
+* Több minta átlagának összehasonlítása (pl. mi a különbség a boldogság szintek között különböző korcsoportokban).
+
+## Nagyszámok törvénye és a központi határeloszlás tétele
+
+Az egyik ok, amiért a normál eloszlás olyan fontos, az úgynevezett **központi határeloszlás tétele**. Tegyük fel, hogy van egy nagy mintánk független N értékekből X<sub>1</sub>, ..., X<sub>N</sub>, amelyek bármilyen eloszlásból származnak, átlag μ-val és szórás σ<sup>2</sup>-vel. Ekkor, ha N elég nagy (más szóval, amikor N→∞), az átlag Σ<sub>i</sub>X<sub>i</sub> normálisan oszlik el, átlag μ-val és szórás σ<sup>2</sup>/N-nel.
+
+> A központi határeloszlás tételének másik értelmezése az, hogy függetlenül az eloszlástól, amikor bármely véletlen változó értékeinek összegének átlagát számítjuk, normál eloszlást kapunk.
+
+A központi határeloszlás tételéből az is következik, hogy amikor N→∞, a mintaátlag μ-val való egyenlőségének valószínűsége 1 lesz. Ezt **nagyszámok törvényének** nevezik.
+
+## Kovariancia és korreláció
+
+Az egyik dolog, amit az adatelemzés végez, az adatok közötti kapcsolatok keresése. Azt mondjuk, hogy két sorozat **korrelál**, amikor hasonló viselkedést mutatnak ugyanabban az időben, azaz egyszerre emelkednek/csökkennek, vagy az egyik sorozat emelkedik, amikor a másik csökken, és fordítva. Más szóval, úgy tűnik, hogy van valamilyen kapcsolat a két sorozat között.
+
+> A korreláció nem feltétlenül jelzi, hogy két sorozat között ok-okozati kapcsolat van; néha mindkét változó függhet valamilyen külső okból, vagy pusztán véletlen lehet, hogy a két sorozat korrelál. Azonban az erős matematikai korreláció jó jelzés arra, hogy két változó valamilyen módon összefügg.
+
+Matematikailag a fő fogalom, amely megmutatja két véletlen változó közötti kapcsolatot, a **kovariancia**, amelyet így számítunk: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Számítjuk mindkét változó eltérését az átlagértéküktől, majd ezeknek az eltéréseknek a szorzatát. Ha mindkét változó együtt tér el, a szorzat mindig pozitív érték lesz, ami pozitív kovarianciát eredményez. Ha mindkét változó eltérése nincs szinkronban (azaz az egyik az átlag alá esik, amikor a másik az átlag fölé emelkedik), mindig negatív számokat kapunk, amelyek negatív kovarianciává adódnak össze. Ha az eltérések nem függenek egymástól, nagyjából nullára adódnak össze.
+
+A kovariancia abszolút értéke nem sokat mond arról, hogy mekkora a korreláció, mert az az értékek nagyságától függ. Normalizálásához eloszthatjuk a kovarianciát mindkét változó szórásával, hogy megkapjuk a **korrelációt**. Az előnye, hogy a korreláció mindig [-1,1] tartományban van, ahol 1 erős pozitív korrelációt jelez az értékek között, -1 erős negatív korrelációt, és 0 azt jelzi, hogy nincs korreláció (a változók függetlenek).
+
+**Példa**: Számíthatunk korrelációt a baseball játékosok súlya és magassága között az említett adatállományból:
+```python
+print(np.corrcoef(weights,heights))
+```
+Ennek eredményeként kapunk egy **korrelációs mátrixot**, például ilyet:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> A korrelációs mátrix C bármely számú bemeneti sorozatra S<sub>1</sub>, ..., S<sub>n</sub> kiszámítható. A C<sub>ij</sub> értéke az S<sub>i</sub> és S<sub>j</sub> közötti korreláció, és a diagonális elemek mindig 1-ek (ami az S<sub>i</sub> önkorrelációja).
+
+Esetünkben a 0.53 érték azt jelzi, hogy van némi korreláció egy személy súlya és magassága között. Készíthetünk egy szórási diagramot az egyik értékről a másik ellen, hogy vizuálisan lássuk a kapcsolatot:
+
+![Kapcsolat a súly és magasság között](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hu.png)
+
+> További példák a korrelációra és kovarianciára találhatók az [kísérő jegyzetfüzetben](notebook.ipynb).
+
+## Következtetés
+
+Ebben a szakaszban megtanultuk:
+
+* az adatok alapvető statisztikai tulajdonságait, mint például az átlag, szórás, módusz és kvartilisek
+* különböző véletlen változók eloszlásait, beleértve a normál eloszlást
+* hogyan találjuk meg a korrelációt különböző tulajdonságok között
+* hogyan használjuk a matematika és statisztika megalapozott eszközeit hipotézisek bizonyítására
+* hogyan számítsunk konfidencia-intervallumokat véletlen változókhoz adott adatminták alapján
+
+Bár ez nem kimerítő lista a valószínűség és statisztika témaköreiben, elegendőnek kell lennie ahhoz, hogy jó kezdést nyújtson ehhez a kurzushoz.
+
+## 🚀 Kihívás
+
+Használd a jegyzetfüzetben található mintakódot más hipotézisek tesztelésére:
+1. Az első bázisjátékosok idősebbek, mint a második bázisjátékosok
+2. Az első bázisjátékosok magasabbak, mint a harmadik bázisjátékosok
+3. A shortstopok magasabbak, mint a második bázisjátékosok
+
+## [Utólagos kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Áttekintés és önálló tanulás
+
+A valószínűség és statisztika olyan széles téma, hogy megérdemelne egy saját kurzust. Ha mélyebben szeretnél belemerülni az elméletbe, érdemes lehet folytatni az alábbi könyvek olvasását:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) a New York Egyetemről nagyszerű előadásjegyzeteket készített [Valószínűség és statisztika az adatelemzéshez](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (elérhető online)
+1. [Peter és Andrew Bruce. Gyakorlati statisztika adatelemzőknek.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[mintakód R-ben](https://github.com/andrewgbruce/statistics-for-data-scientists)]. 
+1. [James D. Miller. Statisztika az adatelemzéshez](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[mintakód R-ben](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
+
+## Feladat
+
+[Kis diabétesz tanulmány](assignment.md)
+
+## Köszönetnyilvánítás
+
+Ezt a leckét ♥️-vel készítette [Dmitry Soshnikov](http://soshnikov.com).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/04-stats-and-probability/assignment.md b/translations/hu/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..fc24ce81
--- /dev/null
+++ b/translations/hu/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:42:18+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Kis Diabétesz Tanulmány
+
+Ebben a feladatban egy kis diabéteszes betegek adatállományával fogunk dolgozni, amely innen származik: [here](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | ÉLETKOR | NEM | BMI | VÉRNYOMÁS | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|---------|-----|-----|-----------|----|----|----|----|----|----|----|
+| 0 | 59      | 2   | 32.1| 101.      | 157| 93.2| 38.0| 4. | 4.8598 | 87 | 151 |
+| 1 | 48      | 1   | 21.6| 87.0      | 183| 103.2| 70. | 3. | 3.8918 | 69 | 75  |
+| 2 | 72      | 2   | 30.5| 93.0      | 156| 93.6| 41.0| 4.0| 4. | 85 | 141 |
+| ... | ...   | ... | ... | ...       | ...| ...| ...| ...| ...| ...| ... |
+
+## Útmutató
+
+* Nyisd meg a [feladat notebookot](assignment.ipynb) egy jupyter notebook környezetben
+* Teljesítsd az összes feladatot, amelyek a notebookban szerepelnek, nevezetesen:
+   * [ ] Számítsd ki az átlagértékeket és a szórást minden értékre
+   * [ ] Készíts boxplotokat a BMI, vérnyomás és Y értékekről nemek szerint
+   * [ ] Mi az Életkor, Nem, BMI és Y változók eloszlása?
+   * [ ] Teszteld a korrelációt a különböző változók és a betegség előrehaladása (Y) között
+   * [ ] Teszteld azt a hipotézist, hogy a diabétesz előrehaladásának mértéke eltér férfiak és nők között
+   
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Minden szükséges feladat teljesítve, grafikusan illusztrálva és magyarázva | A legtöbb feladat teljesítve, magyarázatok vagy következtetések a grafikonokból és/vagy kapott értékekből hiányoznak | Csak alapfeladatok, mint az átlag/szórás számítása és alapvető grafikonok készítése teljesítve, nincs következtetés az adatokból
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/1-Introduction/README.md b/translations/hu/1-Introduction/README.md
new file mode 100644
index 00000000..128b16b8
--- /dev/null
+++ b/translations/hu/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T14:59:40+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "hu"
+}
+-->
+# Bevezetés az adattudományba
+
+![adatok működés közben](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hu.jpg)  
+> Fotó: <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> az <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> oldalán  
+
+Ezekben a leckékben felfedezheted, hogyan definiálják az adattudományt, és megismerheted azokat az etikai szempontokat, amelyeket egy adattudósnak figyelembe kell vennie. Emellett megtudhatod, hogyan definiálják az adatokat, és betekintést nyerhetsz a statisztika és valószínűség világába, amelyek az adattudomány alapvető tudományterületei.
+
+### Témák
+
+1. [Az adattudomány meghatározása](01-defining-data-science/README.md)  
+2. [Az adattudomány etikája](02-ethics/README.md)  
+3. [Az adatok meghatározása](03-defining-data/README.md)  
+4. [Bevezetés a statisztikába és valószínűségszámításba](04-stats-and-probability/README.md)  
+
+### Köszönetnyilvánítás
+
+Ezeket a leckéket ❤️-vel írták: [Nitya Narasimhan](https://twitter.com/nitya) és [Dmitry Soshnikov](https://twitter.com/shwars).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/05-relational-databases/README.md b/translations/hu/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..b343d8d6
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:28:51+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatok kezelése: Relációs adatbázisok
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Adatok kezelése: Relációs adatbázisok - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+Valószínűleg már használtál korábban táblázatot információk tárolására. Volt egy sorokból és oszlopokból álló készleted, ahol a sorok tartalmazták az információkat (vagy adatokat), az oszlopok pedig leírták az információkat (ezeket néha metaadatoknak is nevezik). A relációs adatbázisok erre az alapelvre épülnek: táblázatokban oszlopok és sorok segítségével tárolják az adatokat, lehetővé téve, hogy az információ több táblázat között legyen elosztva. Ez lehetővé teszi, hogy bonyolultabb adatokat kezelj, elkerüld az adatok duplikációját, és rugalmasan vizsgáld az adatokat. Nézzük meg közelebbről a relációs adatbázisok alapfogalmait.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Minden a táblázatokkal kezdődik
+
+A relációs adatbázisok alapját a táblázatok képezik. Akárcsak a táblázatkezelő programokban, egy tábla oszlopok és sorok gyűjteménye. A sorok tartalmazzák az adatokat vagy információkat, amelyeket kezelni szeretnénk, például egy város nevét vagy a csapadékmennyiséget. Az oszlopok leírják, hogy milyen adatokat tárolnak.
+
+Kezdjük azzal, hogy létrehozunk egy táblát a városokkal kapcsolatos információk tárolására. Kezdhetjük például a nevükkel és az országukkal. Ezt így tárolhatnánk egy táblázatban:
+
+| Város    | Ország         |
+| -------- | ------------- |
+| Tokió    | Japán         |
+| Atlanta  | Egyesült Államok |
+| Auckland | Új-Zéland     |
+
+Figyeld meg, hogy az oszlopnevek, mint például **város**, **ország** és **népesség**, leírják a tárolt adatokat, és minden sor egy városról tartalmaz információt.
+
+## Az egyetlen tábla megközelítés hiányosságai
+
+Valószínűleg a fenti tábla ismerősnek tűnik számodra. Most adjunk hozzá néhány további adatot a növekvő adatbázisunkhoz – például az éves csapadékmennyiséget (milliméterben). Koncentráljunk a 2018-as, 2019-es és 2020-as évekre. Ha Tokióra vonatkozóan adnánk hozzá adatokat, az valahogy így nézne ki:
+
+| Város  | Ország | Év   | Mennyiség |
+| ------ | ------ | ---- | --------- |
+| Tokió  | Japán  | 2020 | 1690      |
+| Tokió  | Japán  | 2019 | 1874      |
+| Tokió  | Japán  | 2018 | 1445      |
+
+Mit veszel észre a táblázatunkon? Talán feltűnik, hogy a város nevét és országát újra és újra megismételjük. Ez elég sok tárhelyet foglalhat, és nagyrészt felesleges, hiszen Tokiónak csak egy neve van, ami minket érdekel.
+
+Rendben, próbáljunk ki valami mást. Adjunk hozzá új oszlopokat minden évhez:
+
+| Város    | Ország         | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Tokió    | Japán         | 1445 | 1874 | 1690 |
+| Atlanta  | Egyesült Államok | 1779 | 1111 | 1683 |
+| Auckland | Új-Zéland     | 1386 | 942  | 1176 |
+
+Bár ezzel elkerüljük a sorok duplikációját, más problémákat hozunk létre. Módosítanunk kellene a táblázat szerkezetét minden új év hozzáadásakor. Emellett, ahogy az adataink növekednek, az évek oszlopként való tárolása megnehezíti az adatok lekérdezését és számítását.
+
+Ezért van szükségünk több táblára és kapcsolatokra. Az adatok szétválasztásával elkerülhetjük a duplikációt, és nagyobb rugalmasságot érhetünk el az adatok kezelésében.
+
+## A kapcsolatok fogalma
+
+Térjünk vissza az adatainkhoz, és határozzuk meg, hogyan szeretnénk szétválasztani őket. Tudjuk, hogy a városok nevét és országát szeretnénk tárolni, így ez valószínűleg egy táblában működik a legjobban.
+
+| Város    | Ország         |
+| -------- | ------------- |
+| Tokió    | Japán         |
+| Atlanta  | Egyesült Államok |
+| Auckland | Új-Zéland     |
+
+De mielőtt létrehoznánk a következő táblát, ki kell találnunk, hogyan hivatkozzunk az egyes városokra. Szükségünk van valamilyen azonosítóra, ID-re vagy (technikai adatbázis kifejezéssel élve) elsődleges kulcsra. Az elsődleges kulcs egy olyan érték, amely egy adott sort azonosít egy táblában. Bár ez alapulhat maga az érték (például a város neve), szinte mindig egy szám vagy más azonosító kell, hogy legyen. Nem szeretnénk, hogy az azonosító valaha is megváltozzon, mert az megszakítaná a kapcsolatot. A legtöbb esetben az elsődleges kulcs vagy azonosító automatikusan generált szám lesz.
+
+> ✅ Az elsődleges kulcsot gyakran PK-ként rövidítik.
+
+### városok
+
+| város_id | Város    | Ország         |
+| -------- | -------- | ------------- |
+| 1        | Tokió    | Japán         |
+| 2        | Atlanta  | Egyesült Államok |
+| 3        | Auckland | Új-Zéland     |
+
+> ✅ Észreveheted, hogy az "id" és az "elsődleges kulcs" kifejezéseket felváltva használjuk ebben a leckében. Ezek a fogalmak a DataFrame-ekre is vonatkoznak, amelyeket később fogsz felfedezni. A DataFrame-ek nem használják az "elsődleges kulcs" terminológiát, de hasonlóan viselkednek.
+
+Miután létrehoztuk a városok táblát, tároljuk a csapadékmennyiséget. Ahelyett, hogy a város teljes információját duplikálnánk, használhatjuk az azonosítót. Biztosítanunk kell azt is, hogy az újonnan létrehozott táblának is legyen egy *id* oszlopa, mivel minden táblának kell, hogy legyen egy azonosítója vagy elsődleges kulcsa.
+
+### csapadék
+
+| csapadék_id | város_id | Év   | Mennyiség |
+| ----------- | -------- | ---- | --------- |
+| 1           | 1        | 2018 | 1445      |
+| 2           | 1        | 2019 | 1874      |
+| 3           | 1        | 2020 | 1690      |
+| 4           | 2        | 2018 | 1779      |
+| 5           | 2        | 2019 | 1111      |
+| 6           | 2        | 2020 | 1683      |
+| 7           | 3        | 2018 | 1386      |
+| 8           | 3        | 2019 | 942       |
+| 9           | 3        | 2020 | 1176      |
+
+Figyeld meg a **város_id** oszlopot az újonnan létrehozott **csapadék** táblában. Ez az oszlop olyan értékeket tartalmaz, amelyek a **városok** tábla azonosítóira hivatkoznak. Technikai relációs adatbázis kifejezéssel élve ezt **idegen kulcsnak** nevezzük; ez egy másik tábla elsődleges kulcsa. Egyszerűen gondolj rá úgy, mint egy hivatkozásra vagy mutatóra. A **város_id** 1 Tokióra hivatkozik.
+
+> [!NOTE] Az idegen kulcsot gyakran FK-ként rövidítik.
+
+## Az adatok lekérdezése
+
+Miután az adatainkat két táblába szétválasztottuk, felmerülhet a kérdés, hogyan kérdezzük le őket. Ha relációs adatbázist használunk, például MySQL-t, SQL Servert vagy Oracle-t, egy Structured Query Language (SQL) nevű nyelvet használhatunk. Az SQL (néha "szíkvöl"-nek ejtik) egy szabványos nyelv, amelyet adatok lekérdezésére és módosítására használnak relációs adatbázisokban.
+
+Az adatok lekérdezéséhez a `SELECT` parancsot használjuk. Alapvetően a **select**-tel megadjuk, hogy mely oszlopokat szeretnénk látni, és a **from**-mal megadjuk, hogy melyik táblából származnak. Ha például csak a városok nevét szeretnénk megjeleníteni, a következőt használhatjuk:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+A `SELECT`-ben soroljuk fel az oszlopokat, a `FROM`-ban pedig a táblákat.
+
+> [NOTE] Az SQL szintaxis nem érzékeny a kis- és nagybetűkre, tehát a `select` és a `SELECT` ugyanazt jelenti. Azonban az adatbázis típusától függően az oszlopok és táblák neve érzékeny lehet a kis- és nagybetűkre. Ezért jó gyakorlat mindig úgy kezelni mindent a programozásban, mintha érzékeny lenne a kis- és nagybetűkre. Az SQL lekérdezések írásakor általános szokás, hogy a kulcsszavakat nagybetűvel írjuk.
+
+A fenti lekérdezés az összes várost megjeleníti. Tegyük fel, hogy csak az Új-Zélandon található városokat szeretnénk megjeleníteni. Szükségünk van valamilyen szűrőre. Az SQL kulcsszava erre a `WHERE`, vagyis "ahol valami igaz".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Adatok összekapcsolása
+
+Eddig egyetlen táblából kérdeztünk le adatokat. Most szeretnénk az adatokat a **városok** és a **csapadék** táblákból összekapcsolni. Ezt *összekapcsolásnak* nevezzük. Lényegében egy varratot hozunk létre a két tábla között, és összeillesztjük az értékeket egy-egy oszlopból mindkét táblában.
+
+Példánkban a **város_id** oszlopot fogjuk összeilleszteni a **csapadék** és a **városok** táblákban. Ez összekapcsolja a csapadékmennyiséget a megfelelő várossal. Az általunk végrehajtott összekapcsolás típusa egy úgynevezett *belső* összekapcsolás lesz, ami azt jelenti, hogy ha bármelyik sor nem illeszkedik a másik táblában lévő adatokhoz, akkor nem jelenik meg. Esetünkben minden városhoz tartozik csapadékadat, így minden meg fog jelenni.
+
+Kérdezzük le a 2019-es év csapadékmennyiségét az összes városra vonatkozóan.
+
+Ezt lépésenként fogjuk megtenni. Az első lépés az adatok összekapcsolása az oszlopok varratainak megadásával – a korábban kiemelt **város_id** oszlopokkal.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Kiemeltük a két oszlopot, amelyeket szeretnénk, és azt, hogy a táblákat a **város_id** alapján szeretnénk összekapcsolni. Most hozzáadhatjuk a `WHERE` utasítást, hogy csak a 2019-es évet szűrjük ki.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Összefoglalás
+
+A relációs adatbázisok lényege, hogy az információkat több táblába osztják szét, amelyeket aztán megjelenítés és elemzés céljából újra összehoznak. Ez nagyfokú rugalmasságot biztosít a számítások elvégzéséhez és az adatok manipulálásához. Megismerkedtél a relációs adatbázisok alapfogalmaival, és azzal, hogyan lehet összekapcsolni két táblát.
+
+## 🚀 Kihívás
+
+Számos relációs adatbázis érhető el az interneten. Fedezd fel az adatokat az itt tanult készségek segítségével.
+
+## Előadás utáni kvíz
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Áttekintés és önálló tanulás
+
+Számos forrás érhető el a [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) oldalon, amelyek segítségével tovább mélyítheted az SQL és a relációs adatbázisok fogalmaival kapcsolatos ismereteidet.
+
+- [Relációs adatok fogalmainak ismertetése](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Első lépések a Transact-SQL-lel](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (A Transact-SQL az SQL egy változata)
+- [SQL tartalom a Microsoft Learn oldalon](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Feladat
+
+[Feladat címe](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/05-relational-databases/assignment.md b/translations/hu/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..1318c35f
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:32:47+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Repülőtéri adatok megjelenítése
+
+Egy [adatbázist](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) kaptál, amelyet [SQLite](https://sqlite.org/index.html) alapokra építettek, és repülőterekről tartalmaz információkat. Az adatbázis sémája az alábbiakban látható. A [SQLite kiterjesztést](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) fogod használni a [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) programban, hogy különböző városok repülőtereiről jeleníts meg információkat.
+
+## Útmutató
+
+Az feladat elkezdéséhez néhány lépést kell végrehajtanod. Telepítened kell néhány eszközt, és le kell töltened a mintaadatbázist.
+
+### Rendszer beállítása
+
+A Visual Studio Code és a SQLite kiterjesztés segítségével tudsz interakcióba lépni az adatbázissal.
+
+1. Látogass el a [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) oldalra, és kövesd az utasításokat a Visual Studio Code telepítéséhez
+1. Telepítsd a [SQLite kiterjesztést](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) a Marketplace oldalon található útmutató szerint
+
+### Adatbázis letöltése és megnyitása
+
+Ezután töltsd le és nyisd meg az adatbázist.
+
+1. Töltsd le a [GitHubról az adatbázis fájlt](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db), és mentsd el egy könyvtárba
+1. Nyisd meg a Visual Studio Code-ot
+1. Nyisd meg az adatbázist a SQLite kiterjesztésben úgy, hogy kiválasztod a **Ctl-Shift-P** (vagy **Cmd-Shift-P** Mac-en) parancsot, és begépeled `SQLite: Open database`
+1. Válaszd ki a **Choose database from file** opciót, és nyisd meg a korábban letöltött **airports.db** fájlt
+1. Miután megnyitottad az adatbázist (nem fogsz látni frissítést a képernyőn), hozz létre egy új lekérdezési ablakot úgy, hogy kiválasztod a **Ctl-Shift-P** (vagy **Cmd-Shift-P** Mac-en) parancsot, és begépeled `SQLite: New query`
+
+Miután megnyitottad, az új lekérdezési ablakot használhatod SQL utasítások futtatására az adatbázis ellen. Az **Ctl-Shift-Q** (vagy **Cmd-Shift-Q** Mac-en) parancs segítségével futtathatsz lekérdezéseket az adatbázisban.
+
+> [!NOTE] További információért a SQLite kiterjesztésről, tekintsd meg a [dokumentációt](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Adatbázis séma
+
+Egy adatbázis sémája a táblák tervezése és struktúrája. Az **airports** adatbázis két táblát tartalmaz: `cities`, amely az Egyesült Királyság és Írország városainak listáját tartalmazza, és `airports`, amely az összes repülőtér listáját tartalmazza. Mivel egyes városoknak több repülőtere is lehet, két táblát hoztak létre az információk tárolására. Ebben a gyakorlatban csatlakozásokat fogsz használni, hogy különböző városok adatait jelenítsd meg.
+
+| Városok           |
+| ----------------- |
+| id (PK, egész szám) |
+| city (szöveg)      |
+| country (szöveg)   |
+
+| Repülőterek                      |
+| -------------------------------- |
+| id (PK, egész szám)              |
+| name (szöveg)                    |
+| code (szöveg)                    |
+| city_id (FK az **Cities** id-jához) |
+
+## Feladat
+
+Hozz létre lekérdezéseket, amelyek az alábbi információkat adják vissza:
+
+1. az összes város neve a `Cities` táblában
+1. az összes írországi város a `Cities` táblában
+1. az összes repülőtér neve a városukkal és országukkal együtt
+1. az összes repülőtér Londonban, Egyesült Királyságban
+
+## Értékelési szempontok
+
+| Kiemelkedő | Megfelelő | Fejlesztésre szorul |
+| ---------- | --------- | ------------------- |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/06-non-relational/README.md b/translations/hu/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..01efce8f
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:53:00+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatok kezelése: Nem-relációs adatok
+
+|![ Sketchnote [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Nem-relációs adatok kezelése - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Az adatok nem korlátozódnak relációs adatbázisokra. Ez a lecke a nem-relációs adatokra összpontosít, és bemutatja a táblázatkezelők és a NoSQL alapjait.
+
+## Táblázatkezelők
+
+A táblázatkezelők népszerű módjai az adatok tárolásának és felfedezésének, mivel kevesebb előkészületet igényelnek. Ebben a leckében megismerheted a táblázatkezelők alapvető elemeit, valamint a képleteket és függvényeket. A példák a Microsoft Excel segítségével lesznek bemutatva, de a legtöbb rész és téma hasonló elnevezésekkel és lépésekkel rendelkezik más táblázatkezelő szoftverek esetében is.
+
+![Egy üres Microsoft Excel munkafüzet két munkalappal](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hu.png)
+
+Egy táblázat egy fájl, amely elérhető a számítógép, eszköz vagy felhőalapú fájlrendszer fájlrendszerében. Maga a szoftver lehet böngészőalapú vagy egy alkalmazás, amelyet telepíteni kell a számítógépre, vagy letölthető alkalmazásként. Az Excelben ezeket a fájlokat **munkafüzeteknek** nevezik, és ez a terminológia lesz használva a lecke további részében.
+
+Egy munkafüzet egy vagy több **munkalapot** tartalmaz, ahol minden munkalap fülekkel van megjelölve. Egy munkalapon belül találhatók a **cellák**, amelyek a tényleges adatokat tartalmazzák. Egy cella egy sor és egy oszlop metszéspontja, ahol az oszlopokat betűkkel, a sorokat pedig számokkal jelölik. Egyes táblázatok az első néhány sorban fejlécet tartalmaznak, amely leírja az adatok jelentését a cellákban.
+
+Az Excel munkafüzet alapvető elemeivel egy példát fogunk használni a [Microsoft Templates](https://templates.office.com/) oldalról, amely egy készletre összpontosít, hogy bemutassuk a táblázat további részeit.
+
+### Készlet kezelése
+
+A "InventoryExample" nevű táblázat egy formázott táblázat, amely egy készlet elemeit tartalmazza, és három munkalapból áll, amelyek fülei "Inventory List", "Inventory Pick List" és "Bin Lookup" néven vannak megjelölve. Az Inventory List munkalap 4. sora a fejléc, amely leírja az egyes cellák értékét az oszlopfejlécben.
+
+![Egy kiemelt képlet egy példakészlet listájából a Microsoft Excelben](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hu.png)
+
+Vannak esetek, amikor egy cella értéke más cellák értékeitől függ, hogy kiszámítsa az értékét. Az Inventory List táblázat nyomon követi az egyes elemek költségét a készletben, de mi van, ha tudni szeretnénk a teljes készlet értékét? A [**képletek**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) műveleteket végeznek a cellaadatokon, és ebben a példában a készlet értékének kiszámítására használják. Ez a táblázat egy képletet használ az Inventory Value oszlopban, hogy kiszámítsa az egyes elemek értékét a QTY fejléc alatti mennyiség és a COST fejléc alatti költségek szorzatával. Egy cellára duplán kattintva vagy kiemelve megjelenik a képlet. Észre fogod venni, hogy a képletek egy egyenlőségjellel kezdődnek, amelyet a számítás vagy művelet követ.
+
+![Egy kiemelt függvény egy példakészlet listájából a Microsoft Excelben](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hu.png)
+
+Egy másik képletet is használhatunk az Inventory Value összes értékének összeadására, hogy megkapjuk a teljes értéket. Ez kiszámítható lenne az egyes cellák összeadásával, de ez fárasztó feladat lehet. Az Excel rendelkezik [**függvényekkel**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), vagyis előre definiált képletekkel, amelyek számításokat végeznek a cellaértékeken. A függvények argumentumokat igényelnek, amelyek a számításokhoz szükséges értékek. Ha egy függvény több argumentumot igényel, azokat meghatározott sorrendben kell megadni, különben a függvény nem biztos, hogy helyes értéket számít ki. Ebben a példában a SUM függvényt használjuk, amely az Inventory Value értékeit használja argumentumként, hogy kiszámítsa az összértéket, amely a 3. sor, B oszlop (B3) alatt található.
+
+## NoSQL
+
+A NoSQL egy gyűjtőfogalom a nem-relációs adatok tárolásának különböző módjaira, és jelentheti a "non-SQL", "nem-relációs" vagy "nem csak SQL" kifejezéseket. Ezeket az adatbázis-rendszereket négy típusba lehet sorolni.
+
+![Egy kulcs-érték adattár grafikus ábrázolása, amely 4 egyedi numerikus kulcsot mutat, amelyek 4 különböző értékhez kapcsolódnak](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hu.png)
+> Forrás: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+A [Kulcs-érték](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) adatbázisok egyedi kulcsokat párosítanak értékekkel, amelyek egyedi azonosítókhoz kapcsolódnak. Ezeket a párokat egy [hash tábla](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) segítségével tárolják, megfelelő hash függvénnyel.
+
+![Egy gráf adattár grafikus ábrázolása, amely emberek, érdeklődési körök és helyszínek közötti kapcsolatokat mutatja](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hu.png)
+> Forrás: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+A [Gráf](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) adatbázisok az adatok közötti kapcsolatokat írják le, és csomópontok és élek gyűjteményeként ábrázolják. Egy csomópont egy entitást képvisel, például egy diákot vagy bankszámlakivonatot. Az élek két entitás közötti kapcsolatot jelentenek. Minden csomópontnak és élnek vannak tulajdonságai, amelyek további információkat nyújtanak róluk.
+
+![Egy oszlopos adattár grafikus ábrázolása, amely egy ügyféladatbázist mutat két oszlopcsaláddal: Identity és Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hu.png)
+
+Az [Oszlopos](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) adattárak az adatokat oszlopokba és sorokba szervezik, hasonlóan a relációs adatstruktúrához, de minden oszlop csoportokra van osztva, amelyeket oszlopcsaládoknak neveznek. Az egy oszlop alatti összes adat kapcsolódik egymáshoz, és egy egységként lekérdezhető vagy módosítható.
+
+### Dokumentum adattárak az Azure Cosmos DB-vel
+
+A [Dokumentum](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) adattárak a kulcs-érték adattárak koncepciójára épülnek, és mezők és objektumok sorozatából állnak. Ebben a részben a dokumentum adatbázisokat a Cosmos DB emulátor segítségével vizsgáljuk meg.
+
+A Cosmos DB adatbázis megfelel a "Nem Csak SQL" meghatározásának, ahol a Cosmos DB dokumentum adatbázisa SQL-t használ az adatok lekérdezésére. Az [előző lecke](../05-relational-databases/README.md) az SQL alapjait tárgyalja, és itt néhány ugyanazt a lekérdezést alkalmazhatjuk egy dokumentum adatbázisra. A Cosmos DB Emulátort fogjuk használni, amely lehetővé teszi, hogy helyileg, egy számítógépen hozzunk létre és fedezzünk fel egy dokumentum adatbázist. További információ az Emulátorról [itt](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Egy dokumentum mezők és objektumértékek gyűjteménye, ahol a mezők leírják, hogy az objektumérték mit képvisel. Az alábbiakban egy dokumentum példát láthatsz.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+A dokumentum érdekes mezői: `firstname`, `id` és `age`. A többi mezőt a Cosmos DB generálta.
+
+#### Adatok felfedezése a Cosmos DB Emulátorral
+
+Az emulátort [Windowsra innen](https://aka.ms/cosmosdb-emulator) töltheted le és telepítheted. A macOS és Linux rendszerekhez kapcsolódó lehetőségekről lásd ezt a [dokumentációt](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos).
+
+Az emulátor egy böngészőablakot indít el, ahol az Explorer nézet lehetővé teszi a dokumentumok felfedezését.
+
+![A Cosmos DB Emulátor Explorer nézete](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hu.png)
+
+Ha követed az útmutatót, kattints a "Start with Sample" gombra, hogy létrehozz egy minta adatbázist, amelynek neve SampleDB. Ha kibontod a SampleDB-t a nyílra kattintva, találsz egy `Persons` nevű tárolót. Egy tároló elemek gyűjteményét tartalmazza, amelyek a tárolóban lévő dokumentumok. Felfedezheted a négy egyedi dokumentumot az `Items` alatt.
+
+![Mintaadatok felfedezése a Cosmos DB Emulátorban](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hu.png)
+
+#### Dokumentum adatok lekérdezése a Cosmos DB Emulátorral
+
+A mintaadatokat SQL lekérdezésekkel is lekérdezhetjük az új SQL Query gombra kattintva (a második gomb balról).
+
+`SELECT * FROM c` visszaadja az összes dokumentumot a tárolóban. Adjunk hozzá egy where záradékot, és keressük meg azokat, akik 40 évnél fiatalabbak.
+
+`SELECT * FROM c where c.age < 40`
+
+![Egy SELECT lekérdezés futtatása a mintaadatokon a Cosmos DB Emulátorban, hogy megtaláljuk azokat a dokumentumokat, amelyek age mezőjének értéke kisebb, mint 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hu.png)
+
+A lekérdezés két dokumentumot ad vissza, észreveheted, hogy az age mező értéke mindkét dokumentumban kisebb, mint 40.
+
+#### JSON és dokumentumok
+
+Ha ismered a JavaScript Object Notation (JSON) formátumot, észre fogod venni, hogy a dokumentumok hasonlítanak a JSON-hoz. Ebben a könyvtárban található egy `PersonsData.json` fájl, amely további adatokat tartalmaz, és feltölthető a Persons tárolóba az Emulátorban az `Upload Item` gomb segítségével.
+
+A legtöbb esetben az API-k által visszaadott JSON adatok közvetlenül áthelyezhetők és tárolhatók dokumentum adatbázisokban. Az alábbiakban egy másik dokumentumot láthatsz, amely a Microsoft Twitter-fiókjából származó tweeteket képvisel, amelyeket a Twitter API segítségével nyertek ki, majd beillesztettek a Cosmos DB-be.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+A dokumentum érdekes mezői: `created_at`, `id` és `text`.
+
+## 🚀 Kihívás
+
+Van egy `TwitterData.json` fájl, amely feltölthető a SampleDB adatbázisba. Ajánlott, hogy külön tárolóba add hozzá. Ez a következőképpen történhet:
+
+1. Kattints az új tároló gombra a jobb felső sarokban
+2. Válaszd ki a meglévő adatbázist (SampleDB), hozz létre egy tárolóazonosítót a tárolóhoz
+3. Állítsd be a partíciókulcsot `/id`-re
+4. Kattints az OK gombra (a többi információt figyelmen kívül hagyhatod, mivel ez egy kis adathalmaz, amely helyileg fut a gépeden)
+5. Nyisd meg az új tárolódat, és töltsd fel a Twitter Data fájlt az `Upload Item` gombbal
+
+Próbálj meg néhány SELECT lekérdezést futtatni, hogy megtaláld azokat a dokumentumokat, amelyekben a text mező tartalmazza a Microsoft szót. Tipp: próbáld használni a [LIKE kulcsszót](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Áttekintés és önálló tanulás
+
+- Ebben a leckében nem tértünk ki minden formázási lehetőségre és funkcióra, amelyet ez a táblázat tartalmaz. A Microsoft rendelkezik egy [nagy dokumentációs és videókönyvtárral](https://support.microsoft.com/excel) az Excelről, ha többet szeretnél megtudni.
+
+- Ez az architekturális dokumentáció részletezi a nem-relációs adatok különböző típusainak jellemzőit: [Nem-relációs adatok és NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- A Cosmos DB egy felhőalapú nem-relációs adatbázis, amely a leckében említett különböző NoSQL típusokat is tárolhatja. Tudj meg többet ezekről a típusokról ebben a [Cosmos DB Microsoft Learn modulban](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Feladat
+
+[Soda Profits](assignment.md)
+
+---
+
+**Felelősségkizárás**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/06-non-relational/assignment.md b/translations/hu/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..a43e97bb
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:57:40+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Üdítőital Nyereségek
+
+## Útmutató
+
+A [Coca Cola Co táblázat](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) néhány számítást hiányol. A feladatod a következő:
+
+1. Számítsd ki a bruttó nyereséget a 2015, 2016, 2017 és 2018-as pénzügyi évekre!
+    - Bruttó nyereség = Nettó működési bevételek - Értékesített áruk költsége
+1. Számítsd ki az összes bruttó nyereség átlagát! Próbáld meg ezt egy függvénnyel elvégezni.
+    - Átlag = Bruttó nyereségek összege osztva az üzleti évek számával (10)
+    - Dokumentáció az [ÁTALG függvényről](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Ez egy Excel fájl, de bármely táblázatkezelő platformon szerkeszthetőnek kell lennie.
+
+[Adatforrás: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Értékelési szempontok
+
+Kiváló | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/07-python/README.md b/translations/hu/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..511be21d
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,289 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:43:57+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatok kezelése: Python és a Pandas könyvtár
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Python használata - _Sketchnote by [@nitya](https://twitter.com/nitya)_                 |
+
+[![Bevezető videó](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hu.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Bár az adatbázisok hatékony módot kínálnak az adatok tárolására és lekérdezésére lekérdezési nyelvek segítségével, az adatok feldolgozásának legflexibilisebb módja az, ha saját programot írunk az adatok manipulálására. Sok esetben egy adatbázis-lekérdezés hatékonyabb megoldás lehet. Azonban, ha összetettebb adatfeldolgozásra van szükség, azt nem lehet könnyen SQL-lel megoldani.  
+Az adatfeldolgozást bármilyen programozási nyelven meg lehet valósítani, de vannak olyan nyelvek, amelyek magasabb szintűek az adatokkal való munka szempontjából. Az adatelemzők általában az alábbi nyelvek egyikét részesítik előnyben:
+
+* **[Python](https://www.python.org/)**, egy általános célú programozási nyelv, amelyet gyakran a kezdők számára legjobb választásnak tartanak egyszerűsége miatt. A Python rengeteg kiegészítő könyvtárral rendelkezik, amelyek segítenek számos gyakorlati probléma megoldásában, például adatok kicsomagolásában ZIP archívumból vagy képek szürkeárnyalatossá alakításában. Az adatelemzés mellett a Python gyakran használatos webfejlesztésre is.  
+* **[R](https://www.r-project.org/)** egy hagyományos eszköztár, amelyet statisztikai adatfeldolgozásra fejlesztettek ki. Nagy könyvtárgyűjteménnyel (CRAN) rendelkezik, ami jó választássá teszi az adatfeldolgozásra. Azonban az R nem általános célú programozási nyelv, és ritkán használják az adatelemzésen kívül.  
+* **[Julia](https://julialang.org/)** egy másik nyelv, amelyet kifejezetten adatelemzésre fejlesztettek ki. Jobb teljesítményt kínál, mint a Python, így kiváló eszköz tudományos kísérletezéshez.
+
+Ebben a leckében a Python használatára összpontosítunk egyszerű adatfeldolgozási feladatokhoz. Feltételezzük, hogy alapvető ismeretekkel rendelkezik a nyelvről. Ha mélyebb betekintést szeretne kapni a Pythonba, az alábbi forrásokat ajánljuk:
+
+* [Tanuljon Python-t szórakoztató módon Turtle Graphics és Fraktálok segítségével](https://github.com/shwars/pycourse) - GitHub-alapú gyors bevezető kurzus a Python programozásba  
+* [Tegye meg az első lépéseit a Python-nal](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Tanulási útvonal a [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) oldalon  
+
+Az adatok sokféle formában érkezhetnek. Ebben a leckében három adatformát vizsgálunk meg: **táblázatos adatok**, **szöveg** és **képek**.
+
+Néhány adatfeldolgozási példára fogunk összpontosítani, ahelyett, hogy teljes áttekintést adnánk az összes kapcsolódó könyvtárról. Ez lehetővé teszi, hogy megértsük a lehetőségeket, és tudjuk, hol találhatunk megoldásokat a problémáinkra, amikor szükség van rájuk.
+
+> **Legfontosabb tanács**. Ha olyan műveletet kell végrehajtania az adatokon, amelyet nem tud, hogyan kell megtenni, próbáljon meg rákeresni az interneten. A [Stackoverflow](https://stackoverflow.com/) gyakran tartalmaz hasznos Python kódmintákat számos tipikus feladathoz.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Táblázatos adatok és Dataframe-ek
+
+Már találkozott táblázatos adatokkal, amikor a relációs adatbázisokról beszéltünk. Ha sok adatunk van, és az sok különböző, összekapcsolt táblában található, akkor mindenképpen érdemes SQL-t használni az adatok kezelésére. Azonban sok esetben van egy adatunk táblázat formájában, és szeretnénk **megérteni** vagy **következtetéseket levonni** az adatokból, például az eloszlásról, az értékek közötti korrelációról stb. Az adatelemzés során gyakran szükség van az eredeti adatok átalakítására, majd vizualizálására. Mindkét lépés könnyen elvégezhető Python segítségével.
+
+Két legfontosabb Python könyvtár segíthet a táblázatos adatok kezelésében:
+* **[Pandas](https://pandas.pydata.org/)** lehetővé teszi az úgynevezett **Dataframe-ek** manipulálását, amelyek hasonlóak a relációs táblákhoz. Lehetnek elnevezett oszlopok, és különböző műveleteket végezhetünk sorokon, oszlopokon és általában a Dataframe-eken.  
+* **[Numpy](https://numpy.org/)** egy könyvtár **tenszorokkal**, azaz többdimenziós **tömbökkel** való munkához. A tömb azonos típusú értékeket tartalmaz, és egyszerűbb, mint a Dataframe, de több matematikai műveletet kínál, és kevesebb erőforrást igényel.
+
+Van még néhány más könyvtár, amelyet érdemes ismerni:
+* **[Matplotlib](https://matplotlib.org/)** egy könyvtár, amelyet adatok vizualizálására és grafikonok készítésére használnak  
+* **[SciPy](https://www.scipy.org/)** egy könyvtár további tudományos funkciókkal. Már találkoztunk ezzel a könyvtárral, amikor a valószínűségről és statisztikáról beszéltünk  
+
+Íme egy kódrészlet, amelyet általában a Python program elején használunk ezeknek a könyvtáraknak az importálására:  
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+```  
+
+A Pandas néhány alapvető fogalom köré épül.
+
+### Sorozatok (Series)
+
+A **Series** egy értéksorozat, amely hasonló egy listához vagy numpy tömbhöz. A fő különbség az, hogy a sorozatnak van egy **indexe**, és amikor műveleteket végzünk rajta (pl. összeadjuk őket), az indexet figyelembe vesszük. Az index lehet egyszerű, mint például az egész számú sorszám (ez az alapértelmezett index, amikor listából vagy tömbből hozunk létre sorozatot), vagy lehet összetett, például dátumintervallum.
+
+> **Megjegyzés**: A kísérő notebookban [`notebook.ipynb`](notebook.ipynb) található néhány bevezető Pandas kód. Itt csak néhány példát vázolunk fel, és mindenképpen érdemes megnézni a teljes notebookot.
+
+Vegyünk egy példát: elemezni szeretnénk fagylaltárusító helyünk eladásait. Generáljunk egy sorozatot az eladási számokkal (naponta eladott termékek száma) egy időszakra:  
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```  
+![Idősoros grafikon](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hu.png)
+
+Tegyük fel, hogy minden héten szervezünk egy bulit a barátainknak, és további 10 csomag fagylaltot viszünk a bulira. Létrehozhatunk egy másik sorozatot, amelyet hetek szerint indexelünk, hogy ezt bemutassuk:  
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```  
+Amikor összeadjuk a két sorozatot, megkapjuk a teljes számot:  
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```  
+![Idősoros grafikon](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hu.png)
+
+> **Megjegyzés**: Nem használjuk az egyszerű `total_items+additional_items` szintaxist. Ha ezt tennénk, sok `NaN` (*Not a Number*) értéket kapnánk az eredményül kapott sorozatban. Ennek oka, hogy az `additional_items` sorozatban hiányzó értékek vannak néhány indexpontnál, és ha `NaN`-t adunk hozzá bármihez, az eredmény `NaN` lesz. Ezért meg kell adnunk a `fill_value` paramétert az összeadás során.
+
+Az idősorokkal különböző időintervallumokkal is **újramintázhatjuk** a sorozatot. Például, ha havi átlagos eladási mennyiséget szeretnénk kiszámítani, használhatjuk a következő kódot:  
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```  
+![Havi idősoros átlagok](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hu.png)
+
+### DataFrame
+
+A DataFrame lényegében sorozatok gyűjteménye ugyanazzal az indexszel. Több sorozatot is összevonhatunk egy DataFrame-be:  
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```  
+Ez egy vízszintes táblázatot hoz létre, mint ez:  
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Sorozatokat oszlopként is használhatunk, és megadhatjuk az oszlopneveket szótár segítségével:  
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```  
+Ez egy ilyen táblázatot eredményez:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Megjegyzés**: Ezt a táblázat-elrendezést úgy is elérhetjük, hogy az előző táblázatot transzponáljuk, például az alábbi kód segítségével:  
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```  
+Itt a `.T` a DataFrame transzponálásának műveletét jelenti, azaz a sorok és oszlopok cseréjét, és a `rename` művelet lehetővé teszi az oszlopok átnevezését, hogy megfeleljenek az előző példának.
+
+Íme néhány legfontosabb művelet, amelyet DataFrame-eken végezhetünk:
+
+**Oszlopok kiválasztása**. Egyedi oszlopokat választhatunk ki az `df['A']` írásával - ez a művelet egy sorozatot ad vissza. Az oszlopok egy részhalmazát egy másik DataFrame-be is kiválaszthatjuk az `df[['B','A']]` írásával - ez egy másik DataFrame-et ad vissza.
+
+**Szűrés** bizonyos sorokra kritérium alapján. Például, ha csak azokat a sorokat szeretnénk megtartani, ahol az `A` oszlop értéke nagyobb, mint 5, akkor az `df[df['A']>5]` kódot írhatjuk.
+
+> **Megjegyzés**: A szűrés működése a következő. Az `df['A']<5` kifejezés egy logikai sorozatot ad vissza, amely jelzi, hogy a kifejezés `True` vagy `False` az eredeti sorozat `df['A']` minden elemére. Amikor a logikai sorozatot indexként használjuk, az a DataFrame sorainak részhalmazát adja vissza. Ezért nem lehet tetszőleges Python logikai kifejezést használni, például az `df[df['A']>5 and df['A']<7]` írása helytelen lenne. Ehelyett speciális `&` műveletet kell használni a logikai sorozatokon, például az `df[(df['A']>5) & (df['A']<7)]` írásával (*a zárójelek itt fontosak*).
+
+**Új számítható oszlopok létrehozása**. Könnyen létrehozhatunk új számítható oszlopokat a DataFrame-hez intuitív kifejezések használatával, például:  
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+```  
+Ez a példa az `A` eltérését számítja ki az átlagértékétől. Ami valójában történik, az az, hogy egy sorozatot számítunk ki, majd ezt a sorozatot hozzárendeljük a bal oldali oszlophoz, létrehozva egy új oszlopot. Ezért nem használhatunk olyan műveleteket, amelyek nem kompatibilisek a sorozatokkal, például az alábbi kód helytelen:  
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+```  
+Az utóbbi példa, bár szintaktikailag helyes, rossz eredményt ad, mert a `B` sorozat hosszát rendeli hozzá az oszlop összes értékéhez, nem pedig az egyes elemek hosszát, ahogy azt szerettük volna.
+
+Ha összetett kifejezéseket kell számítanunk, használhatjuk az `apply` függvényt. Az utolsó példa az alábbi módon írható:  
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```  
+
+A fenti műveletek után a következő DataFrame-et kapjuk:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Sorok kiválasztása számok alapján** az `iloc` konstrukcióval végezhető el. Például az első 5 sor kiválasztásához a DataFrame-ből:  
+```python
+df.iloc[:5]
+```  
+
+**Csoportosítás** gyakran használatos Excel *pivot táblákhoz* hasonló eredmény eléréséhez. Tegyük fel, hogy az `A` oszlop átlagértékét szeretnénk kiszámítani az egyes `LenB` értékekhez. Ekkor csoportosíthatjuk a DataFrame-et `LenB` szerint, és meghívhatjuk a `mean` függvényt:  
+```python
+df.groupby(by='LenB').mean()
+```  
+Ha az átlagot és az elemek számát is ki szeretnénk számítani a csoportban, akkor használhatunk összetettebb `aggregate` függvényt:  
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```  
+Ez a következő táblázatot adja:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Adatok beszerzése
+Láttuk, milyen egyszerű Python objektumokból Series-t és DataFrame-eket létrehozni. Azonban az adatok általában szövegfájl vagy Excel-tábla formájában érkeznek. Szerencsére a Pandas egyszerű módot kínál az adatok betöltésére a lemezről. Például, egy CSV fájl beolvasása ilyen egyszerű:
+```python
+df = pd.read_csv('file.csv')
+```
+További példákat is látni fogunk az adatok betöltésére, beleértve azokat is, amelyek külső weboldalakról származnak, a "Kihívás" szekcióban.
+
+### Nyomtatás és Ábrázolás
+
+Egy adatkutatónak gyakran kell felfedeznie az adatokat, ezért fontos, hogy képes legyen azokat vizualizálni. Ha egy DataFrame nagy, sokszor csak az első néhány sort szeretnénk ellenőrizni, hogy biztosak legyünk abban, hogy mindent helyesen csinálunk. Ezt a `df.head()` hívásával tehetjük meg. Ha Jupyter Notebookból futtatjuk, a DataFrame-t szép táblázatos formában jeleníti meg.
+
+Már láttuk a `plot` függvény használatát bizonyos oszlopok vizualizálására. Bár a `plot` sok feladathoz nagyon hasznos, és számos különböző grafikon típust támogat a `kind=` paraméterrel, mindig használhatjuk a nyers `matplotlib` könyvtárat is, ha valami bonyolultabbat szeretnénk ábrázolni. Az adatvizualizációt részletesen külön kurzusleckékben fogjuk tárgyalni.
+
+Ez az áttekintés lefedi a Pandas legfontosabb fogalmait, azonban a könyvtár rendkívül gazdag, és szinte végtelen, hogy mit lehet vele elérni! Most alkalmazzuk ezt a tudást egy konkrét probléma megoldására.
+
+## 🚀 Kihívás 1: A COVID terjedésének elemzése
+
+Az első probléma, amire összpontosítunk, a COVID-19 járvány terjedésének modellezése. Ehhez az egyes országokban fertőzött egyének számáról szóló adatokat fogjuk használni, amelyeket a [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) biztosít a [Johns Hopkins Egyetemen](https://jhu.edu/). Az adatkészlet elérhető [ebben a GitHub-tárházban](https://github.com/CSSEGISandData/COVID-19).
+
+Mivel szeretnénk bemutatni, hogyan kell az adatokkal dolgozni, meghívjuk Önt, hogy nyissa meg a [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) fájlt, és olvassa el elejétől a végéig. A cellákat is futtathatja, és megoldhat néhány kihívást, amelyeket a végén hagytunk Önnek.
+
+![COVID Terjedés](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hu.png)
+
+> Ha nem tudja, hogyan kell kódot futtatni Jupyter Notebookban, nézze meg [ezt a cikket](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## Strukturálatlan adatok kezelése
+
+Bár az adatok nagyon gyakran táblázatos formában érkeznek, néha kevésbé strukturált adatokkal kell dolgoznunk, például szövegekkel vagy képekkel. Ebben az esetben, hogy alkalmazzuk az eddig látott adatfeldolgozási technikákat, valahogy **ki kell nyernünk** a strukturált adatokat. Íme néhány példa:
+
+* Kulcsszavak kinyerése szövegből, és annak vizsgálata, hogy ezek a kulcsszavak milyen gyakran fordulnak elő
+* Neurális hálózatok használata információ kinyerésére a képeken található objektumokról
+* Információ gyűjtése az emberek érzelmeiről egy videokamera felvételén
+
+## 🚀 Kihívás 2: COVID tanulmányok elemzése
+
+Ebben a kihívásban folytatjuk a COVID-pandémia témáját, és a témával kapcsolatos tudományos cikkek feldolgozására összpontosítunk. A [CORD-19 Adatkészlet](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) több mint 7000 (az írás idején) COVID-ról szóló cikket tartalmaz, amelyek metaadatokkal és absztraktokkal érhetők el (és körülbelül felük teljes szövege is rendelkezésre áll).
+
+Egy teljes példát találhatunk ennek az adatkészletnek az elemzésére a [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) kognitív szolgáltatás használatával [ebben a blogbejegyzésben](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Egy egyszerűsített változatát fogjuk megvitatni ennek az elemzésnek.
+
+> **MEGJEGYZÉS**: Nem biztosítunk másolatot az adatkészletről ebben a tárházban. Először le kell töltenie a [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) fájlt [ebből az adatkészletből a Kaggle-en](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). A Kaggle-re való regisztráció szükséges lehet. Regisztráció nélkül is letöltheti az adatkészletet [innen](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), de ez az összes teljes szöveget is tartalmazza a metaadatfájl mellett.
+
+Nyissa meg a [`notebook-papers.ipynb`](notebook-papers.ipynb) fájlt, és olvassa el elejétől a végéig. A cellákat is futtathatja, és megoldhat néhány kihívást, amelyeket a végén hagytunk Önnek.
+
+![Covid Orvosi Kezelés](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hu.png)
+
+## Képadatok feldolgozása
+
+Az utóbbi időben nagyon erős AI modellek születtek, amelyek lehetővé teszik a képek megértését. Számos feladat megoldható előre betanított neurális hálózatokkal vagy felhőszolgáltatásokkal. Néhány példa:
+
+* **Képosztályozás**, amely segíthet a képet egy előre meghatározott osztályba sorolni. Saját képosztályozókat is könnyen betaníthat olyan szolgáltatásokkal, mint a [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum).
+* **Objektumfelismerés**, amely különböző objektumokat képes felismerni a képen. Olyan szolgáltatások, mint a [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), számos általános objektumot felismerhetnek, és a [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) modellel specifikus érdeklődési objektumokat is felismerhetünk.
+* **Arcfelismerés**, beleértve az életkor, nem és érzelem felismerését. Ez elvégezhető a [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) segítségével.
+
+Mindezek a felhőszolgáltatások hívhatók [Python SDK-k](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) segítségével, így könnyen beépíthetők az adatfeltárási munkafolyamatba.
+
+Íme néhány példa a képadatok forrásainak feltárására:
+* A blogbejegyzésben [Hogyan tanuljunk adatkutatást kódolás nélkül](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) Instagram-fotókat vizsgálunk, hogy megértsük, miért kapnak egyes képek több lájkot. Először a lehető legtöbb információt kinyerjük a képekből a [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) segítségével, majd az [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) segítségével értelmezhető modellt építünk.
+* A [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) során a [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) segítségével érzelmeket nyerünk ki emberek fotóiról eseményeken, hogy megértsük, mi teszi boldoggá az embereket.
+
+## Összegzés
+
+Akár strukturált, akár strukturálatlan adatokkal rendelkezik, a Python segítségével elvégezheti az adatfeldolgozással és megértéssel kapcsolatos összes lépést. Ez valószínűleg a legnagyobb rugalmasságot biztosító adatfeldolgozási mód, és ezért használja az adatkutatók többsége a Pythont elsődleges eszközként. A Python mélyebb elsajátítása valószínűleg jó ötlet, ha komolyan gondolja az adatkutatási pályafutását!
+
+## [Utólagos kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## Áttekintés és önálló tanulás
+
+**Könyvek**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**Online források**
+* Hivatalos [10 perc a Pandasszal](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) oktatóanyag
+* [Dokumentáció a Pandas vizualizációról](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Python tanulása**
+* [Tanuljon Pythont szórakoztató módon Turtle Graphics és Fraktálok segítségével](https://github.com/shwars/pycourse)
+* [Tegye meg az első lépéseket a Pythonnal](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) tanulási útvonal a [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) oldalon
+
+## Feladat
+
+[Részletesebb adatvizsgálat elvégzése a fent említett kihívásokhoz](assignment.md)
+
+## Köszönetnyilvánítás
+
+Ezt a leckét ♥️-val írta [Dmitry Soshnikov](http://soshnikov.com).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/07-python/assignment.md b/translations/hu/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..f8e18eac
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:51:17+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Feladat Pythonban történő adatfeldolgozáshoz
+
+Ebben a feladatban arra kérünk, hogy dolgozd ki a kódot, amelyet a kihívásaink során elkezdtünk fejleszteni. A feladat két részből áll:
+
+## COVID-19 terjedés modellezése
+
+ - [ ] Készíts *R* grafikonokat 5-6 különböző ország számára egy grafikonon összehasonlítás céljából, vagy több grafikonon egymás mellett.
+ - [ ] Vizsgáld meg, hogyan korrelálnak a halálesetek és a gyógyult esetek száma a fertőzött esetek számával.
+ - [ ] Derítsd ki, hogy mennyi ideig tart egy tipikus betegség, vizuálisan korrelálva a fertőzési arányt és a halálozási arányt, és keresve néhány anomáliát. Ehhez lehet, hogy több országot is meg kell vizsgálnod.
+ - [ ] Számítsd ki a halálozási arányt, és nézd meg, hogyan változik az idő múlásával. *Érdemes figyelembe venni a betegség hosszát napokban, hogy az egyik idősort eltolhasd a számítások előtt.*
+
+## COVID-19 tanulmányok elemzése
+
+- [ ] Készíts együtt-előfordulási mátrixot különböző gyógyszerekről, és nézd meg, mely gyógyszerek fordulnak elő gyakran együtt (azaz egy absztraktban említve). Módosíthatod a kódot a gyógyszerek és diagnózisok együtt-előfordulási mátrixának elkészítéséhez.
+- [ ] Vizualizáld ezt a mátrixot hőtérképpel.
+- [ ] Kihívásként vizualizáld a gyógyszerek együtt-előfordulását [chord diagram](https://en.wikipedia.org/wiki/Chord_diagram) segítségével. [Ez a könyvtár](https://pypi.org/project/chord/) segíthet chord diagramot rajzolni.
+- [ ] Egy másik kihívásként, reguláris kifejezések segítségével nyerj ki különböző gyógyszerek adagolását (például **400mg** a *napi 400mg klorokin szedése* szövegben), és készíts adatkeretet, amely megmutatja a különböző gyógyszerek adagolását. **Megjegyzés**: vedd figyelembe a gyógyszer neve közelében található numerikus értékeket.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Minden feladat teljesítve, grafikusan illusztrálva és magyarázva, beleértve legalább az egyik kihívást | Több mint 5 feladat teljesítve, kihívások nem kerültek megvalósításra, vagy az eredmények nem egyértelműek | Kevesebb mint 5 (de több mint 3) feladat teljesítve, a vizualizációk nem segítik a mondanivaló bemutatását
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/08-data-preparation/README.md b/translations/hu/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..151ea663
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:35:51+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatokkal való munka: Adatelőkészítés
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Adatelőkészítés - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+Az adatok forrásától függően a nyers adatok tartalmazhatnak olyan következetlenségeket, amelyek nehézségeket okoznak az elemzésben és modellezésben. Más szóval, ezek az adatok „piszkosnak” minősíthetők, és tisztításra szorulnak. Ez a lecke az adatok tisztításának és átalakításának technikáira összpontosít, hogy kezelje a hiányzó, pontatlan vagy hiányos adatok problémáit. A lecke témái Python és Pandas könyvtár használatával kerülnek bemutatásra, és [a jegyzetfüzetben](notebook.ipynb) találhatók ebben a könyvtárban.
+
+## Az adatok tisztításának fontossága
+
+- **Egyszerű használat és újrafelhasználás**: Ha az adatok megfelelően szervezettek és normalizáltak, könnyebb keresni, használni és megosztani másokkal.
+
+- **Következetesség**: Az adatelemzés gyakran több adatállománnyal való munkát igényel, ahol különböző forrásokból származó adatállományokat kell összevonni. Az egyes adatállományok közös szabványosítása biztosítja, hogy az adatok hasznosak maradjanak, amikor egyetlen adatállományba kerülnek összevonásra.
+
+- **Modellek pontossága**: A tisztított adatok javítják az azokra támaszkodó modellek pontosságát.
+
+## Gyakori tisztítási célok és stratégiák
+
+- **Adatkészlet feltérképezése**: Az adatok feltérképezése, amelyet egy [későbbi leckében](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) tárgyalunk, segíthet azonosítani azokat az adatokat, amelyeket tisztítani kell. Az értékek vizuális megfigyelése egy adatállományban elvárásokat állíthat fel arról, hogy a többi adat hogyan fog kinézni, vagy ötletet adhat a megoldandó problémákról. A feltérképezés magában foglalhat alapvető lekérdezéseket, vizualizációkat és mintavételezést.
+
+- **Formázás**: Az adatok forrásától függően előfordulhatnak következetlenségek az adatok megjelenítésében. Ez problémákat okozhat az értékek keresésében és megjelenítésében, ahol az értékek láthatók az adatállományban, de nem megfelelően jelennek meg a vizualizációkban vagy lekérdezési eredményekben. Gyakori formázási problémák közé tartozik a szóközök, dátumok és adattípusok kezelése. A formázási problémák megoldása általában az adatok felhasználóinak feladata. Például a dátumok és számok megjelenítésére vonatkozó szabványok országonként eltérhetnek.
+
+- **Duplikációk**: Az adatok többszöri előfordulása pontatlan eredményeket hozhat, és általában el kell távolítani. Ez gyakran előfordulhat, amikor két vagy több adatállományt összevonunk. Azonban vannak olyan esetek, amikor az összevont adatállományokban lévő duplikációk további információkat tartalmazhatnak, és megőrzésük szükséges lehet.
+
+- **Hiányzó adatok**: A hiányzó adatok pontatlanságokat, valamint gyenge vagy elfogult eredményeket okozhatnak. Ezeket néha meg lehet oldani az adatok „újratöltésével”, a hiányzó értékek számítással és kóddal, például Python segítségével történő kitöltésével, vagy egyszerűen az értékek és a hozzájuk tartozó adatok eltávolításával. Számos oka lehet annak, hogy az adatok miért hiányoznak, és a hiányzó értékek megoldására tett lépések az adatok hiányának okától függhetnek.
+
+## Adatkeret információinak feltérképezése
+> **Tanulási cél:** A szakasz végére képes leszel általános információkat találni a pandas DataFrame-ekben tárolt adatokról.
+
+Miután betöltötted az adatokat a pandas-ba, valószínűleg DataFrame formátumban lesznek (lásd az előző [leckét](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) a részletes áttekintésért). Azonban ha a DataFrame-edben lévő adatállomány 60,000 sorból és 400 oszlopból áll, hogyan kezdhetsz neki az adatok megértésének? Szerencsére a [pandas](https://pandas.pydata.org/) kényelmes eszközöket kínál, amelyekkel gyorsan áttekintheted a DataFrame általános információit, valamint az első és utolsó néhány sort.
+
+Ennek a funkciónak a feltérképezéséhez importáljuk a Python scikit-learn könyvtárat, és használjunk egy ikonikus adatállományt: az **Iris adatállományt**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: Kezdésként az `info()` metódust használjuk, amely összefoglalót nyomtat a `DataFrame` tartalmáról. Nézzük meg ezt az adatállományt:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+Ebből tudjuk, hogy az *Iris* adatállomány 150 bejegyzést tartalmaz négy oszlopban, és nincs benne null érték. Az összes adat 64 bites lebegőpontos számként van tárolva.
+
+- **DataFrame.head()**: Ezután, hogy ellenőrizzük a `DataFrame` tényleges tartalmát, használjuk a `head()` metódust. Nézzük meg, hogyan néz ki az `iris_df` első néhány sora:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Ezzel szemben, hogy ellenőrizzük a `DataFrame` utolsó néhány sorát, használjuk a `tail()` metódust:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Tanulság:** Már azzal, hogy megnézed a DataFrame metaadatait vagy az első és utolsó néhány értéket, azonnali képet kaphatsz az adatok méretéről, alakjáról és tartalmáról.
+
+## Hiányzó adatok kezelése
+> **Tanulási cél:** A szakasz végére tudni fogod, hogyan cserélj vagy távolíts el null értékeket a DataFrame-ekből.
+
+A legtöbb esetben az általad használt (vagy használnod kell) adatállományok hiányzó értékeket tartalmaznak. A hiányzó adatok kezelése finom kompromisszumokat hordozhat magában, amelyek befolyásolhatják a végső elemzést és a valós eredményeket.
+
+A pandas kétféleképpen kezeli a hiányzó értékeket. Az elsőt már láttad korábbi szakaszokban: `NaN`, vagyis Not a Number. Ez valójában egy speciális érték, amely az IEEE lebegőpontos specifikáció része, és csak hiányzó lebegőpontos értékek jelzésére használják.
+
+A lebegőpontokon kívüli hiányzó értékek esetében a pandas a Python `None` objektumát használja. Bár zavarónak tűnhet, hogy két különböző típusú értékkel találkozol, amelyek lényegében ugyanazt jelentik, ennek a tervezési döntésnek programozási okai vannak, és gyakorlatban ez a megközelítés a legtöbb esetben jó kompromisszumot kínál. Mindazonáltal a `None` és `NaN` korlátozásokat hordoz magában, amelyeket figyelembe kell venni az alkalmazásuk során.
+
+További információt a `NaN`-ról és `None`-ról a [jegyzetfüzetből](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) szerezhetsz!
+
+- **Null értékek észlelése**: A `pandas`-ban az `isnull()` és `notnull()` metódusok az elsődleges eszközeid a null adatok észlelésére. Mindkettő logikai maszkokat ad vissza az adataid felett. A `numpy`-t fogjuk használni a `NaN` értékekhez:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Nézd meg alaposan a kimenetet. Meglepett valami? Bár a `0` aritmetikailag null, mégis tökéletesen jó egész szám, és a pandas így is kezeli. A `''` egy kicsit finomabb. Bár az 1. szakaszban üres sztring értékként használtuk, mégis sztring objektum, és nem null reprezentáció a pandas szerint.
+
+Most fordítsuk meg ezt, és használjuk ezeket a metódusokat gyakorlatiasabb módon. A logikai maszkokat közvetlenül használhatod `Series` vagy `DataFrame` indexként, ami hasznos lehet, amikor elszigetelt hiányzó (vagy meglévő) értékekkel dolgozol.
+
+> **Tanulság:** Az `isnull()` és `notnull()` metódusok hasonló eredményeket adnak, amikor `DataFrame`-ekben használod őket: megmutatják az eredményeket és azok indexét, ami óriási segítséget nyújt az adatokkal való küzdelem során.
+
+- **Null értékek eltávolítása**: A hiányzó értékek azonosításán túl a pandas kényelmes eszközt kínál a null értékek eltávolítására `Series`-ekből és `DataFrame`-ekből. (Különösen nagy adatállományok esetén gyakran tanácsosabb egyszerűen eltávolítani a hiányzó [NA] értékeket az elemzésből, mint más módon kezelni őket.) Nézzük meg ezt az `example1`-en:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Figyeld meg, hogy ez hasonlít az `example3[example3.notnull()]` kimenetére. A különbség itt az, hogy a maszkolt értékek indexelése helyett a `dropna` eltávolította a hiányzó értékeket az `example1` `Series`-ből.
+
+Mivel a `DataFrame`-eknek két dimenziója van, több lehetőséget kínálnak az adatok eltávolítására.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Észrevetted, hogy a pandas két oszlopot lebegőpontokká alakított, hogy kezelje a `NaN`-okat?)
+
+Egyetlen értéket nem tudsz eltávolítani egy `DataFrame`-ből, így teljes sorokat vagy oszlopokat kell eltávolítanod. Attól függően, hogy mit csinálsz, lehet, hogy az egyiket vagy a másikat szeretnéd eltávolítani, és a pandas mindkettőre lehetőséget kínál. Mivel az adatelemzésben az oszlopok általában változókat, a sorok pedig megfigyeléseket képviselnek, valószínűbb, hogy sorokat távolítasz el; a `dropna()` alapértelmezett beállítása az, hogy minden olyan sort eltávolít, amely bármilyen null értéket tartalmaz:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Szükség esetén oszlopokból is eltávolíthatod az NA értékeket. Használj `axis=1`-et ehhez:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Figyeld meg, hogy ez sok olyan adatot eltávolíthat, amelyet meg szeretnél tartani, különösen kisebb adatállományok esetén. Mi van akkor, ha csak azokat a sorokat vagy oszlopokat szeretnéd eltávolítani, amelyek több vagy akár csak minden null értéket tartalmaznak? Ezeket a beállításokat a `dropna` metódusban a `how` és `thresh` paraméterekkel adhatod meg.
+
+Alapértelmezés szerint `how='any'` (ha szeretnéd ellenőrizni magad, vagy megnézni, milyen más paraméterek vannak a metódusban, futtasd az `example4.dropna?` parancsot egy kódcellában). Alternatívaként megadhatod a `how='all'` értéket, hogy csak azokat a sorokat vagy oszlopokat távolítsd el, amelyek minden null értéket tartalmaznak. Bővítsük ki az `example` `DataFrame`-et, hogy ezt gyakorlatban lássuk.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+A `thresh` paraméter finomabb vezérlést biztosít: beállíthatod a *nem null* értékek számát, amelyre egy sor vagy oszlopnak szüksége van ahhoz, hogy megmaradjon:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Itt az első és az utolsó sor törlésre került, mert csak két nem null értéket tartalmaznak.
+
+- **Null értékek kitöltése**: Az adatállománytól függően néha értelmesebb lehet a null értékeket érvényes értékekkel kitölteni, mint eltávolítani őket. Az `isnull` metódust használhatnád erre, de ez fárasztó lehet, különösen, ha sok értéket kell kitölteni. Mivel ez egy gyakori feladat az adatelemzésben, a pandas biztosítja a `fillna` metódust, amely visszaadja a `Series` vagy `DataFrame` másolatát, amelyben a hiányzó értékek az általad választott értékkel vannak helyettesítve. Hozzunk létre egy másik `Series` példát, hogy lássuk, hogyan működik ez gyakorlatban.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Kitöltheted az összes null bejegyzést egyetlen értékkel, például `0`-val:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+**Előre kitöltheted** a null értékeket, azaz az utolsó érvényes értéket használhatod a null kitöltésére:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+**Visszafelé kitöltheted** is, hogy a következő érvényes értéket visszafelé terjeszd a null kitöltésére:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Ahogy sejtheted, ez ugyanígy működik a `DataFrame`-ekkel, de megadhatod az `axis`-t is, amely mentén kitöltöd a null értékeket. Vegyük újra a korábban használt `example2`-t:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Figyeld meg, hogy amikor elő
+> **Tanulság:** Számos módja van annak, hogy kezeljük a hiányzó értékeket az adatainkban. Az alkalmazott stratégia (eltávolítás, helyettesítés, vagy akár a helyettesítés módja) az adott adatok sajátosságaitól függ. Minél többet dolgozol és foglalkozol adatállományokkal, annál jobban fogod érteni, hogyan kezeld a hiányzó értékeket.
+
+## Duplikált adatok eltávolítása
+
+> **Tanulási cél:** A szakasz végére képes leszel azonosítani és eltávolítani a duplikált értékeket a DataFrame-ekből.
+
+A hiányzó adatok mellett gyakran találkozhatsz duplikált adatokkal is valós adatállományokban. Szerencsére a `pandas` egyszerű eszközt kínál a duplikált bejegyzések felismerésére és eltávolítására.
+
+- **Duplikátumok azonosítása: `duplicated`**: A `duplicated` metódus segítségével könnyen felismerheted a duplikált értékeket, amely egy logikai maszkot ad vissza, jelezve, hogy egy `DataFrame` bejegyzése megegyezik-e egy korábbival. Hozzunk létre egy újabb példát egy `DataFrame`-re, hogy lássuk ezt működés közben.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Duplikátumok eltávolítása: `drop_duplicates`:** egyszerűen visszaadja az adatokat, amelyeknél minden `duplicated` érték `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+A `duplicated` és a `drop_duplicates` alapértelmezés szerint az összes oszlopot figyelembe veszi, de megadhatod, hogy csak az `DataFrame` egy részhalmazát vizsgálja:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Tanulság:** A duplikált adatok eltávolítása szinte minden adat-tudományi projekt alapvető része. A duplikált adatok megváltoztathatják az elemzések eredményeit, és pontatlan eredményeket adhatnak!
+
+
+## 🚀 Kihívás
+
+Az összes tárgyalt anyag elérhető egy [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) formájában. Ezenkívül minden szakasz után találhatók gyakorlatok, próbáld ki őket!
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Áttekintés és önálló tanulás
+
+Számos módja van annak, hogy felfedezd és megközelítsd az adatok előkészítését elemzéshez és modellezéshez, és az adatok tisztítása egy fontos, "gyakorlati" lépés. Próbáld ki ezeket a Kaggle kihívásokat, hogy felfedezd azokat a technikákat, amelyeket ez a lecke nem tárgyalt.
+
+- [Adattisztítási kihívás: Dátumok elemzése](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Adattisztítási kihívás: Adatok skálázása és normalizálása](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Feladat
+
+[Adatok értékelése egy űrlapról](assignment.md)
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/08-data-preparation/assignment.md b/translations/hu/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..3bc86b08
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:41:31+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Adatok értékelése egy űrlapról
+
+Egy ügyfél egy [kis űrlapot](../../../../2-Working-With-Data/08-data-preparation/index.html) tesztelt, hogy alapvető adatokat gyűjtsön ügyfélköréről. Az összegyűjtött adatokat elhozta hozzád, hogy érvényesítsd azokat. Megnyithatod az `index.html` oldalt a böngészőben, hogy megnézd az űrlapot.
+
+Egy [csv rekordokból álló adatállományt](../../../../data/form.csv) kaptál, amely az űrlap bejegyzéseit és néhány alapvető vizualizációt tartalmaz. Az ügyfél rámutatott, hogy néhány vizualizáció hibásnak tűnik, de nem biztos benne, hogyan lehetne ezeket kijavítani. Az [assignment notebookban](assignment.ipynb) megvizsgálhatod ezeket.
+
+## Útmutató
+
+Használd az ebben a leckében tanult technikákat, hogy javaslatokat tegyél az űrlapra, amely pontos és következetes információkat gyűjt.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/2-Working-With-Data/README.md b/translations/hu/2-Working-With-Data/README.md
new file mode 100644
index 00000000..b2bb2cf5
--- /dev/null
+++ b/translations/hu/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:27:26+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatokkal való munka
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hu.jpg)  
+> Fotó: <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> az <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> oldalán  
+
+Ezekben a leckékben megtanulhatod, hogyan lehet az adatokat kezelni, manipulálni és alkalmazásokban felhasználni. Megismerheted a relációs és nem relációs adatbázisokat, valamint azt, hogyan tárolhatók bennük az adatok. Elsajátíthatod az alapokat a Python használatához az adatok kezelésében, és felfedezheted a számos módot, ahogyan a Python segítségével adatokat kezelhetsz és bányászhatsz.  
+
+### Témakörök
+
+1. [Relációs adatbázisok](05-relational-databases/README.md)  
+2. [Nem relációs adatbázisok](06-non-relational/README.md)  
+3. [Python használata](07-python/README.md)  
+4. [Adatok előkészítése](08-data-preparation/README.md)  
+
+### Köszönetnyilvánítás
+
+Ezeket a leckéket ❤️-val írták: [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) és [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/09-visualization-quantities/README.md b/translations/hu/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..9cb27355
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:22:47+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "hu"
+}
+-->
+# Mennyiségek vizualizálása
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Mennyiségek vizualizálása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Ebben a leckében felfedezheted, hogyan használhatod a Python egyik elérhető könyvtárát, hogy érdekes vizualizációkat készíts a mennyiségek fogalma köré. Egy tisztított adatállományt használva Minnesota madarairól, sok érdekes tényt tanulhatsz a helyi vadvilágról.  
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Szárnyfesztáv megfigyelése Matplotlib segítségével
+
+Egy kiváló könyvtár, amely egyszerű és összetett grafikonok és diagramok készítésére alkalmas, a [Matplotlib](https://matplotlib.org/stable/index.html). Általánosságban véve az adatok ábrázolásának folyamata ezekkel a könyvtárakkal magában foglalja az adatkeret azon részeinek azonosítását, amelyeket meg szeretnél célozni, az adatok szükséges átalakítását, az x és y tengely értékeinek hozzárendelését, a megjelenítendő diagram típusának kiválasztását, majd a diagram megjelenítését. A Matplotlib számos vizualizációt kínál, de ebben a leckében koncentráljunk azokra, amelyek a legalkalmasabbak a mennyiségek vizualizálására: vonaldiagramok, szórásdiagramok és oszlopdiagramok.
+
+> ✅ Használj olyan diagramot, amely legjobban illik az adatok szerkezetéhez és a történethez, amit el szeretnél mesélni.  
+> - Időbeli trendek elemzéséhez: vonaldiagram  
+> - Értékek összehasonlításához: oszlop-, sáv-, kördiagram, szórásdiagram  
+> - Az egészhez való viszony bemutatásához: kördiagram  
+> - Adatok eloszlásának bemutatásához: szórásdiagram, oszlopdiagram  
+> - Trendek bemutatásához: vonaldiagram, oszlopdiagram  
+> - Értékek közötti kapcsolatok bemutatásához: vonaldiagram, szórásdiagram, buborékdiagram  
+
+Ha van egy adatállományod, és meg kell tudnod, hogy egy adott elem mennyit tartalmaz, az első feladatod az értékek ellenőrzése lesz.  
+
+✅ Nagyon jó 'cheat sheet'-ek érhetők el a Matplotlib-hez [itt](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Vonaldiagram készítése madarak szárnyfesztáv értékeiről
+
+Nyisd meg a `notebook.ipynb` fájlt a lecke mappájának gyökerében, és adj hozzá egy cellát.
+
+> Megjegyzés: az adatok a repo gyökerében találhatók a `/data` mappában.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Ez az adatállomány szöveg és számok keveréke:
+
+|      | Név                          | TudományosNév          | Kategória             | Rend         | Család   | Nemzetség   | TermészetvédelmiStátusz | MinHossz | MaxHossz | MinTestTömeg | MaxTestTömeg | MinSzárnyfesztáv | MaxSzárnyfesztáv |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :---------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Feketehasú sípoló kacsa      | Dendrocygna autumnalis | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous sípoló kacsa         | Dendrocygna bicolor    | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Hóliba                      | Anser caerulescens     | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross-liba                   | Anser rossii           | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Nagy fehérhomlokú liba       | Anser albifrons        | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Kezdjük azzal, hogy néhány numerikus adatot ábrázolunk egy alapvető vonaldiagram segítségével. Tegyük fel, hogy szeretnél egy nézetet a maximális szárnyfesztáv értékekről ezeknél az érdekes madaraknál.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Max Szárnyfesztáv](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hu.png)
+
+Mit veszel észre azonnal? Úgy tűnik, van legalább egy kiugró érték - ez elég nagy szárnyfesztáv! Egy 2300 centiméteres szárnyfesztáv 23 métert jelent - vajon Pterodactylusok kószálnak Minnesotában? Vizsgáljuk meg.
+
+Bár gyorsan rendezhetnéd az adatokat Excelben, hogy megtaláld ezeket a kiugró értékeket, folytasd a vizualizációs folyamatot a diagramon belülről.
+
+Adj címkéket az x-tengelyhez, hogy megmutasd, milyen madarakról van szó:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![szárnyfesztáv címkékkel](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hu.png)
+
+Még a címkék 45 fokos elforgatásával is túl sok van ahhoz, hogy olvasható legyen. Próbáljunk ki egy másik stratégiát: csak a kiugró értékeket címkézzük meg, és helyezzük el a címkéket a diagramon belül. Használhatsz szórásdiagramot, hogy több helyet biztosíts a címkézéshez:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Mi történik itt? A `tick_params` segítségével elrejtetted az alsó címkéket, majd egy ciklust hoztál létre a madarak adatállományán. A diagramot kis kék körökkel ábrázolva (`bo`), ellenőrizted, hogy van-e olyan madár, amelynek maximális szárnyfesztávja meghaladja az 500-at, és ha igen, megjelenítetted a címkéjét a pont mellett. A címkéket kicsit eltolva helyezted el az y tengelyen (`y * (1 - 0.05)`), és a madár nevét használtad címkeként.
+
+Mit fedeztél fel?
+
+![kiugró értékek](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hu.png)  
+## Adatok szűrése
+
+Mind a kopasz sas, mind a prérifecske, bár valószínűleg nagyon nagy madarak, valószínűleg hibásan vannak címkézve, egy extra `0` került a maximális szárnyfesztávjukhoz. Nem valószínű, hogy találkozol egy 25 méteres szárnyfesztávú kopasz sassal, de ha igen, kérlek, értesíts minket! Hozzunk létre egy új adatkeretet ezek nélkül a kiugró értékek nélkül:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+A kiugró értékek kiszűrésével az adataid most összefüggőbbek és érthetőbbek.
+
+![szórásdiagram szárnyfesztávokról](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hu.png)  
+
+Most, hogy legalább a szárnyfesztáv szempontjából tisztább adatállományunk van, fedezzünk fel többet ezekről a madarakról.
+
+Bár a vonal- és szórásdiagramok információkat tudnak megjeleníteni az adatértékekről és azok eloszlásáról, gondolkodjunk el az adatállományban rejlő értékeken. Vizualizációkat készíthetnél, hogy megválaszold a következő kérdéseket a mennyiségekről:
+
+> Hány madárkategória van, és milyen számban?  
+> Hány madár kihalt, veszélyeztetett, ritka vagy gyakori?  
+> Hány van a különböző nemzetségek és rendek közül Linné terminológiája szerint?  
+## Oszlopdiagramok felfedezése
+
+Az oszlopdiagramok praktikusak, amikor adatcsoportokat kell megjeleníteni. Nézzük meg, milyen madárkategóriák léteznek ebben az adatállományban, hogy lássuk, melyik a leggyakoribb szám szerint.
+
+A notebook fájlban hozz létre egy alapvető oszlopdiagramot.
+
+✅ Megjegyzés: kiszűrheted a két kiugró madarat, amelyeket az előző szakaszban azonosítottunk, kijavíthatod a szárnyfesztávjuk hibáját, vagy hagyhatod őket benne ezekhez a gyakorlatokhoz, amelyek nem függnek a szárnyfesztáv értékektől.
+
+Ha oszlopdiagramot szeretnél készíteni, kiválaszthatod az adatokat, amelyekre koncentrálni szeretnél. Az oszlopdiagramok nyers adatokból is készíthetők:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![teljes adatok oszlopdiagramként](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hu.png)  
+
+Ez az oszlopdiagram azonban olvashatatlan, mert túl sok nem csoportosított adat van. Ki kell választanod csak azokat az adatokat, amelyeket ábrázolni szeretnél, így nézzük meg a madarak hosszát kategóriájuk alapján.  
+
+Szűrd az adataidat, hogy csak a madár kategóriáját tartalmazza.  
+
+✅ Figyeld meg, hogy Pandas-t használsz az adatok kezelésére, majd a Matplotlib végzi a diagramkészítést.
+
+Mivel sok kategória van, függőlegesen jelenítheted meg ezt a diagramot, és állíthatod a magasságát, hogy minden adat beleférjen:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![kategória és hossz](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hu.png)  
+
+Ez az oszlopdiagram jó képet ad a madarak számáról kategóriánként. Egy pillantás alatt láthatod, hogy ebben a régióban a legtöbb madár a Kacsák/Ludak/Vízimadarak kategóriába tartozik. Minnesota a '10,000 tó földje', így ez nem meglepő!
+
+✅ Próbálj ki néhány más számítást ezen az adatállományon. Meglep valami?
+
+## Adatok összehasonlítása
+
+Próbálj ki különböző összehasonlításokat csoportosított adatokkal új tengelyek létrehozásával. Próbálj ki egy összehasonlítást a madarak MaxHossz értékeiről kategóriájuk alapján:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![adatok összehasonlítása](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hu.png)  
+
+Semmi meglepő: a kolibriknek van a legkisebb MaxHossz értékük a pelikánokhoz vagy ludakhoz képest. Jó, amikor az adatok logikusak!
+
+Érdekesebb vizualizációkat készíthetsz oszlopdiagramokból, ha adatokat helyezel egymásra. Helyezzük egymásra a Minimum és Maximum Hossz értékeket egy adott madárkategórián belül:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+Ebben a diagramon láthatod a Minimum Hossz és Maximum Hossz tartományát madárkategóriánként. Biztonsággal kijelentheted, hogy az adatok alapján minél nagyobb a madár, annál nagyobb a hossz tartománya. Érdekes!
+
+![egymásra helyezett értékek](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hu.png)  
+
+## 🚀 Kihívás
+
+Ez a madár adatállomány rengeteg információt kínál különböző madártípusokról egy adott ökoszisztémán belül. Keress az interneten más madár-orientált adatállományokat. Gyakorold a diagramok és grafikonok készítését ezekről a madarakról, hogy olyan tényeket fedezz fel, amelyeket nem is sejtettél.  
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Áttekintés és önálló tanulás
+
+Ez az első lecke némi információt adott arról, hogyan használhatod a Matplotlib-et mennyiségek vizualizálására. Végezz kutatást más módszerekről, amelyekkel adatállományokat lehet vizualizálni. [Plotly](https://github.com/plotly/plotly.py) egy olyan eszköz, amelyet nem fogunk lefedni ezekben a leckékben, így nézd meg, mit kínálhat.  
+## Feladat
+
+[Vonaldigramok, szórásdiagramok és oszlopdiagramok](assignment.md)  
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/hu/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..6cb895f9
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:26:48+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Vonalak, Szórások és Oszlopok
+
+## Útmutató
+
+Ebben a leckében vonaldiagramokkal, szórásdiagramokkal és oszlopdiagramokkal dolgoztál, hogy érdekes tényeket mutass be erről az adathalmazról. Ebben a feladatban mélyebben merülj el az adathalmazban, hogy felfedezz egy tényt egy adott madárfajtáról. Például készíts egy jegyzetfüzetet, amelyben vizualizálod az összes érdekes adatot, amit a hólibákról feltárhatsz. Használd a fent említett három diagramtípust, hogy egy történetet mesélj el a jegyzetfüzetedben.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Egy jegyzetfüzet van bemutatva jó megjegyzésekkel, erős történetmeséléssel és vonzó grafikonokkal | A jegyzetfüzetből hiányzik ezek közül az elemek közül egy | A jegyzetfüzetből hiányzik ezek közül az elemek közül kettő
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/10-visualization-distributions/README.md b/translations/hu/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..5ee91f7b
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:49:30+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "hu"
+}
+-->
+# Az eloszlások vizualizálása
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Az eloszlások vizualizálása - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+Az előző leckében érdekes tényeket tanultál a Minnesotában élő madarakról szóló adathalmazról. Hibás adatokat találtál a kiugró értékek vizualizálásával, és megvizsgáltad a madárkategóriák közötti különbségeket a maximális hosszúságuk alapján.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Fedezd fel a madarak adathalmazát
+
+Egy másik módja az adatok mélyebb megértésének, ha megvizsgáljuk azok eloszlását, vagyis azt, hogy az adatok hogyan rendeződnek egy tengely mentén. Például szeretnéd megtudni, hogy milyen az általános eloszlás ebben az adathalmazban a madarak maximális szárnyfesztávolsága vagy maximális testtömege alapján.
+
+Fedezzünk fel néhány tényt az adatok eloszlásáról ebben az adathalmazban. Az _notebook.ipynb_ fájlban, amely a lecke mappájának gyökérkönyvtárában található, importáld a Pandas-t, a Matplotlib-et és az adatokat:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Név                          | Tudományos név         | Kategória             | Rend         | Család   | Nemzetség   | Természetvédelmi státusz | MinHossz | MaxHossz | MinTesttömeg | MaxTesttömeg | MinSzárnyfesztáv | MaxSzárnyfesztáv |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Feketehasú sípoló kacsa      | Dendrocygna autumnalis | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous sípoló kacsa         | Dendrocygna bicolor    | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Hóliba                       | Anser caerulescens     | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross-liba                    | Anser rossii           | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Nagy fehérhomlokú lúd        | Anser albifrons        | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Általánosságban gyorsan megvizsgálhatod az adatok eloszlását egy szórási diagram segítségével, ahogy az előző leckében tettük:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![max hosszúság rendenként](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hu.png)
+
+Ez áttekintést ad a madarak testhosszának általános eloszlásáról rendenként, de nem a legoptimálisabb módja az igazi eloszlások megjelenítésének. Ezt a feladatot általában hisztogramokkal oldják meg.
+
+## Hisztogramok használata
+
+A Matplotlib kiváló eszközöket kínál az adatok eloszlásának vizualizálására hisztogramok segítségével. Ez a fajta diagram hasonlít az oszlopdiagramhoz, ahol az eloszlás az oszlopok emelkedéséből és csökkenéséből látható. Hisztogram készítéséhez numerikus adatokra van szükség. Hisztogram létrehozásához a diagram típusát 'hist'-ként kell megadni. Ez a diagram az egész adathalmaz MaxBodyMass eloszlását mutatja. Az adatok tömbjét kisebb bin-ekre osztva megjeleníti az értékek eloszlását:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![eloszlás az egész adathalmazon](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hu.png)
+
+Ahogy látható, a több mint 400 madár többsége ebben az adathalmazban 2000 alatti Max Body Mass tartományba esik. További betekintést nyerhetsz az adatokba, ha a `bins` paramétert magasabb számra, például 30-ra állítod:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![eloszlás nagyobb bins paraméterrel](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hu.png)
+
+Ez a diagram kicsit részletesebb módon mutatja az eloszlást. Egy kevésbé balra torzított diagramot hozhatsz létre, ha csak egy adott tartományba eső adatokat választasz ki:
+
+Szűrd az adatokat úgy, hogy csak azok a madarak szerepeljenek, amelyek testtömege 60 alatt van, és állítsd a `bins` értékét 40-re:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![szűrt hisztogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hu.png)
+
+✅ Próbálj ki más szűrőket és adatpontokat. Az adatok teljes eloszlásának megtekintéséhez távolítsd el a `['MaxBodyMass']` szűrőt, hogy címkézett eloszlásokat mutass.
+
+A hisztogram további színezési és címkézési lehetőségeket is kínál:
+
+Hozz létre egy 2D hisztogramot, hogy összehasonlítsd két eloszlás kapcsolatát. Hasonlítsuk össze a `MaxBodyMass` és a `MaxLength` értékeket. A Matplotlib beépített módot kínál a konvergencia megjelenítésére világosabb színek használatával:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Úgy tűnik, hogy van egy várható korreláció e két elem között egy előre látható tengely mentén, egy különösen erős konvergencia ponttal:
+
+![2D diagram](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hu.png)
+
+A hisztogramok alapértelmezés szerint jól működnek numerikus adatokkal. Mi a helyzet, ha szöveges adatok alapján szeretnéd látni az eloszlásokat? 
+## Az adathalmaz eloszlásának vizsgálata szöveges adatok alapján 
+
+Ez az adathalmaz jó információkat tartalmaz a madárkategóriákról, nemzetségekről, fajokról és családokról, valamint természetvédelmi státuszukról. Nézzük meg közelebbről ezt a természetvédelmi információt. Mi az eloszlás a madarak természetvédelmi státusza szerint?
+
+> ✅ Az adathalmazban több rövidítés található, amelyek a természetvédelmi státuszt írják le. Ezek a rövidítések az [IUCN Vörös Lista Kategóriáiból](https://www.iucnredlist.org/) származnak, amely egy szervezet, amely a fajok státuszát katalogizálja.
+> 
+> - CR: Kritikus veszélyeztetett
+> - EN: Veszélyeztetett
+> - EX: Kihalt
+> - LC: Legkevésbé aggasztó
+> - NT: Mérsékelten veszélyeztetett
+> - VU: Sebezhető
+
+Ezek szöveges értékek, így átalakítást kell végezned, hogy hisztogramot készíthess. A szűrtBirds adatkeret használatával jelenítsd meg a természetvédelmi státuszt a minimális szárnyfesztávolság mellett. Mit látsz?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![szárnyfesztáv és természetvédelmi státusz](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hu.png)
+
+Úgy tűnik, nincs jó korreláció a minimális szárnyfesztávolság és a természetvédelmi státusz között. Tesztelj más elemeket az adathalmazból ezzel a módszerrel. Próbálj ki különböző szűrőket is. Találsz bármilyen korrelációt?
+
+## Sűrűségdiagramok
+
+Észrevehetted, hogy az eddig látott hisztogramok "lépcsőzetesek", és nem folynak simán ívben. Ha simább sűrűségdiagramot szeretnél készíteni, próbáld ki a sűrűségdiagramot.
+
+A sűrűségdiagramokkal való munkához ismerkedj meg egy új diagramkészítő könyvtárral, a [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html)-nal. 
+
+A Seaborn betöltése után próbálj ki egy alapvető sűrűségdiagramot:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Sűrűségdiagram](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hu.png)
+
+Láthatod, hogy a diagram visszatükrözi a korábbi minimális szárnyfesztávolság adatokat; csak egy kicsit simább. A Seaborn dokumentációja szerint: "A hisztogramhoz képest a KDE olyan diagramot tud készíteni, amely kevésbé zsúfolt és könnyebben értelmezhető, különösen több eloszlás rajzolásakor. De torzításokat is bevezethet, ha az alapul szolgáló eloszlás korlátozott vagy nem sima. A reprezentáció minősége szintén függ a jó simítási paraméterek kiválasztásától." [forrás](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Más szóval, a kiugró értékek, mint mindig, rossz hatással lehetnek a diagramokra.
+
+Ha újra szeretnéd vizsgálni azt a szaggatott MaxBodyMass vonalat, amelyet a második diagramon készítettél, nagyon jól kisimíthatod, ha újra elkészíted ezt a módszert használva:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![simított testtömeg vonal](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hu.png)
+
+Ha sima, de nem túl sima vonalat szeretnél, szerkeszd a `bw_adjust` paramétert: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![kevésbé sima testtömeg vonal](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hu.png)
+
+✅ Olvass utána a rendelkezésre álló paramétereknek ehhez a diagramtípushoz, és kísérletezz!
+
+Ez a diagramtípus gyönyörűen magyarázó vizualizációkat kínál. Néhány kódsorral például megmutathatod a madarak rendenkénti maximális testtömegének sűrűségét:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![testtömeg rendenként](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hu.png)
+
+Több változó sűrűségét is térképezheted egy diagramon. Teszteld a madarak MaxLength és MinLength értékeit a természetvédelmi státuszukkal összehasonlítva:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![több sűrűség, egymásra helyezve](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hu.png)
+
+Talán érdemes kutatni, hogy a 'Sebezhető' madarak hosszúsága szerinti klaszter jelentőséggel bír-e vagy sem.
+
+## 🚀 Kihívás
+
+A hisztogramok kifinomultabb diagramtípusok, mint az alapvető szórási diagramok, oszlopdiagramok vagy vonaldiagramok. Keress jó példákat a hisztogramok használatára az interneten. Hogyan használják őket, mit mutatnak be, és milyen területeken vagy kutatási területeken alkalmazzák őket gyakran?
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Áttekintés és önálló tanulás
+
+Ebben a leckében a Matplotlib-et használtad, és elkezdtél dolgozni a Seaborn-nal, hogy kifinomultabb diagramokat készíts. Kutass a Seaborn `kdeplot` funkciójáról, amely "folyamatos valószínűségi sűrűség görbét készít egy vagy több dimenzióban". Olvasd el [a dokumentációt](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), hogy megértsd, hogyan működik.
+
+## Feladat
+
+[Alkalmazd a tudásodat](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/hu/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..5a94bd5a
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:52:40+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Alkalmazd a képességeidet
+
+## Útmutató
+
+Eddig a Minnesota madáradatokkal dolgoztál, hogy információkat fedezz fel a madarak mennyiségéről és populációsűrűségéről. Gyakorold ezeknek a technikáknak az alkalmazását egy másik adathalmazzal, amelyet például a [Kaggle](https://www.kaggle.com/) oldalról szerezhetsz be. Készíts egy notebookot, amely történetet mesél el erről az adathalmazról, és ügyelj arra, hogy hisztogramokat használj az adatok bemutatásakor.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+Egy notebook kerül bemutatásra, amely tartalmaz megjegyzéseket az adathalmazról, beleértve annak forrását, és legalább 5 hisztogramot használ az adatokkal kapcsolatos tények feltárására. | Egy notebook kerül bemutatásra, amely hiányos megjegyzéseket vagy hibákat tartalmaz. | Egy notebook kerül bemutatásra, amely nem tartalmaz megjegyzéseket, és hibákat tartalmaz.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével került lefordításra. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/11-visualization-proportions/README.md b/translations/hu/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..836ca7d6
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:27:56+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "hu"
+}
+-->
+# Arányok vizualizálása
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Arányok vizualizálása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Ebben a leckében egy természetközpontú adatállományt fogsz használni, hogy vizualizáld az arányokat, például azt, hogy hány különböző gombafaj található egy adott adatállományban a gombákról. Fedezzük fel ezeket a lenyűgöző gombákat egy Audubon által összeállított adatállomány segítségével, amely 23 lemezes gombafaj részleteit tartalmazza az Agaricus és Lepiota családokból. Kísérletezni fogsz ínycsiklandó vizualizációkkal, mint például:
+
+- Torta diagramok 🥧
+- Fánk diagramok 🍩
+- Waffle diagramok 🧇
+
+> 💡 A Microsoft Research által létrehozott [Charticulator](https://charticulator.com) nevű projekt egy ingyenes drag-and-drop felületet kínál adatvizualizációkhoz. Az egyik oktatóanyagukban szintén ezt a gomba adatállományt használják! Így egyszerre fedezheted fel az adatokat és tanulhatod meg a könyvtár használatát: [Charticulator oktatóanyag](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Ismerd meg a gombáidat 🍄
+
+A gombák nagyon érdekesek. Importáljunk egy adatállományt, hogy tanulmányozzuk őket:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+Egy táblázat jelenik meg, amely remek elemzési adatokat tartalmaz:
+
+
+| osztály   | kalap-alak | kalap-felület | kalap-szín | zúzódások | illat    | lemez-csatlakozás | lemez-távolság | lemez-méret | lemez-szín | szár-alak | szár-gyökér | szár-felület-gyűrű-felett | szár-felület-gyűrű-alatt | szár-szín-gyűrű-felett | szár-szín-gyűrű-alatt | fátyol-típus | fátyol-szín | gyűrű-szám | gyűrű-típus | spóra-nyomat-szín | populáció | élőhely |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Mérgező   | Domború   | Sima        | Barna     | Zúzódik | Szúrós  | Szabad          | Szoros       | Keskeny   | Fekete     | Táguló      | Egyenlő    | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Fekete            | Szórványos | Városi  |
+| Ehető     | Domború   | Sima        | Sárga     | Zúzódik | Mandula | Szabad          | Szoros       | Széles    | Fekete     | Táguló      | Klub       | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Barna             | Számos     | Füves   |
+| Ehető     | Harang    | Sima        | Fehér     | Zúzódik | Ánizs   | Szabad          | Szoros       | Széles    | Barna      | Táguló      | Klub       | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Barna             | Számos     | Mezők   |
+| Mérgező   | Domború   | Pikkelyes   | Fehér     | Zúzódik | Szúrós  | Szabad          | Szoros       | Keskeny   | Barna      | Táguló      | Egyenlő    | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Fekete            | Szórványos | Városi  |
+
+Rögtön észreveheted, hogy az összes adat szöveges. Az adatokat át kell alakítanod, hogy diagramon használhatóak legyenek. Valójában az adatok többsége objektumként van ábrázolva:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+Az eredmény:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+Konvertáld az 'osztály' oszlopot kategóriává:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+Most, ha kinyomtatod a gomba adatokat, láthatod, hogy azokat kategóriákba csoportosították a mérgező/ehető osztály szerint:
+
+
+|           | kalap-alak | kalap-felület | kalap-szín | zúzódások | illat | lemez-csatlakozás | lemez-távolság | lemez-méret | lemez-szín | szár-alak | ... | szár-felület-gyűrű-alatt | szár-szín-gyűrű-felett | szár-szín-gyűrű-alatt | fátyol-típus | fátyol-szín | gyűrű-szám | gyűrű-típus | spóra-nyomat-szín | populáció | élőhely |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| osztály   |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| Ehető     | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| Mérgező   | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+Ha követed a táblázatban bemutatott sorrendet az osztály kategória címkék létrehozásához, készíthetsz egy torta diagramot:
+
+## Torta!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+Voilá, egy torta diagram, amely megmutatja az adatok arányait a gombák két osztálya szerint. Nagyon fontos, hogy a címkék sorrendje helyes legyen, különösen itt, ezért ellenőrizd a címke tömb létrehozásának sorrendjét!
+
+![torta diagram](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hu.png)
+
+## Fánkok!
+
+Egy vizuálisan érdekesebb torta diagram a fánk diagram, amely egy lyukkal rendelkező torta diagram. Nézzük meg az adatainkat ezzel a módszerrel.
+
+Nézd meg a különböző élőhelyeket, ahol a gombák nőnek:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+Itt az adatokat élőhely szerint csoportosítod. Hét élőhely van felsorolva, ezeket használd címkékként a fánk diagramhoz:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![fánk diagram](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hu.png)
+
+Ez a kód egy diagramot és egy középső kört rajzol, majd hozzáadja azt a diagramhoz. A középső kör szélességét a `0.40` érték megváltoztatásával módosíthatod.
+
+A fánk diagramok többféleképpen is testreszabhatók, például a címkék olvashatóságának kiemelésével. További információt a [dokumentációban](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut) találsz.
+
+Most, hogy tudod, hogyan csoportosítsd az adatokat és jelenítsd meg őket torta vagy fánk formájában, felfedezhetsz más típusú diagramokat. Próbálj ki egy waffle diagramot, amely egy másik módja a mennyiségek vizualizálásának.
+## Waffle!
+
+A 'waffle' típusú diagram egy másik módja a mennyiségek vizualizálásának egy 2D négyzetes tömb formájában. Próbáld meg vizualizálni a gombakalap színek különböző mennyiségeit ebben az adatállományban. Ehhez telepítened kell egy segédkönyvtárat, a [PyWaffle](https://pypi.org/project/pywaffle/) nevűt, és használnod kell a Matplotlib-et:
+
+```python
+pip install pywaffle
+```
+
+Válassz ki egy adat szegmenst a csoportosításhoz:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+Hozz létre egy waffle diagramot címkék létrehozásával, majd csoportosítsd az adatokat:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+A waffle diagram segítségével egyértelműen láthatod a gombakalap színek arányait ebben az adatállományban. Érdekes módon sok zöld kalapú gomba van!
+
+![waffle diagram](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hu.png)
+
+✅ A PyWaffle támogatja az ikonokat a diagramokon belül, amelyek bármelyik [Font Awesome](https://fontawesome.com/) ikon használatát lehetővé teszik. Kísérletezz, hogy még érdekesebb waffle diagramot készíts ikonok helyett négyzetekkel.
+
+Ebben a leckében három módot tanultál meg az arányok vizualizálására. Először csoportosítanod kell az adatokat kategóriákba, majd eldönteni, hogy melyik a legjobb mód az adatok megjelenítésére - torta, fánk vagy waffle. Mindegyik ínycsiklandó és azonnali pillanatképet nyújt az adatállományról.
+
+## 🚀 Kihívás
+
+Próbáld meg újra létrehozni ezeket az ínycsiklandó diagramokat a [Charticulator](https://charticulator.com) segítségével.
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Áttekintés és önálló tanulás
+
+Néha nem egyértelmű, hogy mikor használjunk torta, fánk vagy waffle diagramot. Íme néhány cikk, amit elolvashatsz a témában:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Végezz kutatást, hogy további információkat találj erről a nehéz döntésről.
+## Feladat
+
+[Próbáld ki Excelben](assignment.md)
+
+---
+
+**Felelősségkizárás**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/hu/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..1892ef71
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:30:45+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Próbáld ki az Excelben
+
+## Útmutató
+
+Tudtad, hogy az Excelben készíthetsz fánk-, torta- és gofridiagramokat? Válassz egy tetszőleges adatállományt, és készítsd el ezt a három diagramot közvetlenül egy Excel munkalapon.
+
+## Értékelési szempontok
+
+| Kiemelkedő                                             | Megfelelő                                         | Fejlesztésre szorul                                   |
+| ------------------------------------------------------ | ------------------------------------------------ | ----------------------------------------------------- |
+| Egy Excel munkalap bemutatja mindhárom diagramot       | Egy Excel munkalap bemutat két diagramot         | Egy Excel munkalap csak egy diagramot mutat be       |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/12-visualization-relationships/README.md b/translations/hu/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..07e93717
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:53:53+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "hu"
+}
+-->
+# Kapcsolatok vizualizálása: Minden a mézről 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Kapcsolatok vizualizálása - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+Folytatva kutatásunk természetközpontú témáját, fedezzünk fel érdekes vizualizációkat, amelyek bemutatják a különböző mézfajták közötti kapcsolatokat egy, az [Amerikai Mezőgazdasági Minisztérium](https://www.nass.usda.gov/About_NASS/index.php) által összeállított adatbázis alapján.
+
+Ez az adatbázis körülbelül 600 tételt tartalmaz, és az Egyesült Államok különböző államaiban történő méztermelést mutatja be. Például megvizsgálhatjuk az államok méhkolóniáinak számát, az egy kolóniára jutó hozamot, a teljes termelést, a készleteket, az árakat fontonként, valamint a termelt méz értékét 1998 és 2012 között, évente egy sorral minden államra vonatkozóan.
+
+Érdekes lehet vizualizálni egy adott állam éves termelése és például az adott állam mézének ára közötti kapcsolatot. Alternatívaként megvizsgálhatjuk az államok mézhozamát kolóniánként. Ez az időszak magában foglalja a pusztító 'CCD' vagy 'Colony Collapse Disorder' (kolónia összeomlási rendellenesség) első megjelenését 2006-ban (http://npic.orst.edu/envir/ccd.html), így ez egy különösen érdekes adatbázis a tanulmányozásra. 🐝
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Ebben a leckében használhatod a Seaborn könyvtárat, amelyet már korábban is használtál, hogy vizualizáld a változók közötti kapcsolatokat. Különösen érdekes a Seaborn `relplot` függvénye, amely lehetővé teszi szórásdiagramok és vonaldiagramok készítését, hogy gyorsan vizualizáljuk a '[statisztikai kapcsolatokat](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', amelyek segítenek az adatelemzőnek jobban megérteni, hogyan kapcsolódnak egymáshoz a változók.
+
+## Szórásdiagramok
+
+Használj szórásdiagramot annak bemutatására, hogyan változott a méz ára évről évre, államonként. A Seaborn `relplot` függvénye kényelmesen csoportosítja az államok adatait, és megjeleníti az adatpontokat mind kategóriális, mind numerikus adatok esetében.
+
+Kezdjük az adatok és a Seaborn importálásával:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Láthatod, hogy a mézadatoknak számos érdekes oszlopa van, például az év és az ár fontonként. Vizsgáljuk meg ezeket az adatokat, csoportosítva az Egyesült Államok államai szerint:
+
+| állam | kolóniák száma | hozam kolóniánként | teljes termelés | készletek | ár fontonként | termelési érték | év |
+| ----- | -------------- | ------------------ | --------------- | --------- | ------------- | --------------- | --- |
+| AL    | 16000          | 71                | 1136000         | 159000    | 0.72          | 818000          | 1998 |
+| AZ    | 55000          | 60                | 3300000         | 1485000   | 0.64          | 2112000         | 1998 |
+| AR    | 53000          | 65                | 3445000         | 1688000   | 0.59          | 2033000         | 1998 |
+| CA    | 450000         | 83                | 37350000        | 12326000  | 0.62          | 23157000        | 1998 |
+| CO    | 27000          | 72                | 1944000         | 1594000   | 0.7           | 1361000         | 1998 |
+
+Készíts egy alap szórásdiagramot, amely bemutatja a méz fontonkénti ára és az Egyesült Államok államai közötti kapcsolatot. Állítsd be az `y` tengelyt elég magasra, hogy minden állam látható legyen:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![szórásdiagram 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hu.png)
+
+Most mutasd meg ugyanazt az adatot méz színvilággal, hogy bemutasd, hogyan változik az ár az évek során. Ezt úgy teheted meg, hogy hozzáadsz egy 'hue' paramétert, amely az évek közötti változást mutatja:
+
+> ✅ Tudj meg többet a [Seaborn színpalettáiról](https://seaborn.pydata.org/tutorial/color_palettes.html) - próbálj ki egy gyönyörű szivárvány színvilágot!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![szórásdiagram 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hu.png)
+
+Ezzel a színvilág változtatással egyértelműen látható, hogy az évek során erős növekedés tapasztalható a méz fontonkénti árának alakulásában. Valóban, ha az adatok egy mintáját megvizsgáljuk (például Arizona államot), látható az árak évről évre történő növekedésének mintázata, néhány kivétellel:
+
+| állam | kolóniák száma | hozam kolóniánként | teljes termelés | készletek | ár fontonként | termelési érték | év |
+| ----- | -------------- | ------------------ | --------------- | --------- | ------------- | --------------- | --- |
+| AZ    | 55000          | 60                | 3300000         | 1485000   | 0.64          | 2112000         | 1998 |
+| AZ    | 52000          | 62                | 3224000         | 1548000   | 0.62          | 1999000         | 1999 |
+| AZ    | 40000          | 59                | 2360000         | 1322000   | 0.73          | 1723000         | 2000 |
+| AZ    | 43000          | 59                | 2537000         | 1142000   | 0.72          | 1827000         | 2001 |
+| AZ    | 38000          | 63                | 2394000         | 1197000   | 1.08          | 2586000         | 2002 |
+| AZ    | 35000          | 72                | 2520000         | 983000    | 1.34          | 3377000         | 2003 |
+| AZ    | 32000          | 55                | 1760000         | 774000    | 1.11          | 1954000         | 2004 |
+| AZ    | 36000          | 50                | 1800000         | 720000    | 1.04          | 1872000         | 2005 |
+| AZ    | 30000          | 65                | 1950000         | 839000    | 0.91          | 1775000         | 2006 |
+| AZ    | 30000          | 64                | 1920000         | 902000    | 1.26          | 2419000         | 2007 |
+| AZ    | 25000          | 64                | 1600000         | 336000    | 1.26          | 2016000         | 2008 |
+| AZ    | 20000          | 52                | 1040000         | 562000    | 1.45          | 1508000         | 2009 |
+| AZ    | 24000          | 77                | 1848000         | 665000    | 1.52          | 2809000         | 2010 |
+| AZ    | 23000          | 53                | 1219000         | 427000    | 1.55          | 1889000         | 2011 |
+| AZ    | 22000          | 46                | 1012000         | 253000    | 1.79          | 1811000         | 2012 |
+
+Egy másik módja ennek a változásnak a vizualizálására a méret használata a szín helyett. Színvak felhasználók számára ez jobb opció lehet. Módosítsd a vizualizációt úgy, hogy az ár növekedését a pontok körméretének növekedésével mutasd:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Láthatod, hogy a pontok mérete fokozatosan növekszik.
+
+![szórásdiagram 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hu.png)
+
+Ez egyszerűen a kereslet és kínálat esete? Az olyan tényezők, mint az éghajlatváltozás és a kolónia összeomlás, kevesebb mézet eredményeznek évről évre, és így az árak növekednek?
+
+Ahhoz, hogy felfedezzük az összefüggést az adatbázis néhány változója között, vizsgáljunk meg néhány vonaldiagramot.
+
+## Vonaldiagramok
+
+Kérdés: Van-e egyértelmű növekedés a méz fontonkénti árának alakulásában évről évre? Ezt legegyszerűbben egyetlen vonaldiagrammal fedezhetjük fel:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Válasz: Igen, néhány kivétellel 2003 körül:
+
+![vonaldiagram 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hu.png)
+
+✅ Mivel a Seaborn egyetlen vonal köré aggregálja az adatokat, "az x értékeknél lévő több mérés átlagát és az átlag körüli 95%-os konfidencia intervallumot ábrázolja". [Forrás](https://seaborn.pydata.org/tutorial/relational.html). Ez az időigényes viselkedés kikapcsolható a `ci=None` hozzáadásával.
+
+Kérdés: Nos, 2003-ban láthatunk-e egy ugrást a mézkészletben? Mi történik, ha megvizsgáljuk a teljes termelést évről évre?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![vonaldiagram 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hu.png)
+
+Válasz: Nem igazán. Ha megnézzük a teljes termelést, úgy tűnik, hogy az adott évben valójában növekedett, bár általánosságban a méztermelés csökkenő tendenciát mutat ezekben az években.
+
+Kérdés: Ebben az esetben mi okozhatta a méz árának ugrását 2003 körül?
+
+Ennek felfedezéséhez vizsgáljunk meg egy facet gridet.
+
+## Facet grid-ek
+
+A facet grid-ek az adatbázis egy aspektusát veszik alapul (esetünkben választhatjuk az 'év'-et, hogy elkerüljük a túl sok grid létrehozását). A Seaborn ezután egy diagramot készít az adott aspektus minden értékére az általad választott x és y koordináták alapján, hogy könnyebben összehasonlíthasd őket. Kitűnik-e 2003 ebben az összehasonlításban?
+
+Készíts egy facet gridet a Seaborn `relplot` függvényének használatával, ahogy azt [a dokumentáció](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid) ajánlja.
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+Ebben a vizualizációban összehasonlíthatod a kolóniánkénti hozamot és a kolóniák számát évről évre, egymás mellett, 3 oszlopos elrendezéssel:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hu.png)
+
+Ebben az adatbázisban semmi különös nem tűnik ki a kolóniák számával és hozamával kapcsolatban évről évre és államonként. Van-e más módja annak, hogy összefüggést találjunk e két változó között?
+
+## Kettős vonaldiagramok
+
+Próbálj ki egy többvonalas diagramot, amely két vonaldiagramot helyez egymásra, a Seaborn 'despine' funkciójával eltávolítva a felső és jobb oldali kereteket, valamint az `ax.twinx` [Matplotlibből származó](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html) funkcióval. Az Twinx lehetővé teszi, hogy egy diagram megossza az x tengelyt, és két y tengelyt jelenítsen meg. Tehát jelenítsd meg a kolóniánkénti hozamot és a kolóniák számát egymásra helyezve:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![egymásra helyezett diagramok](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hu.png)
+
+Bár semmi különös nem tűnik ki 2003 körül, ez lehetőséget ad arra, hogy a leckét egy kicsit pozitívabb hangvétellel zárjuk: bár összességében csökken a kolóniák száma, a kolóniák száma stabilizálódik, még ha a kolóniánkénti hozam csökken is.
+
+Hajrá, méhek, hajrá!
+
+🐝❤️
+## 🚀 Kihívás
+
+Ebben a leckében többet tanultál a szórásdiagramok és vonalhálók, köztük a facet grid-ek használatáról. Kihívásként készíts egy facet gridet egy másik adatbázis alapján, talán olyat, amelyet korábban használtál ezekben a leckékben. Jegyezd meg, mennyi időbe telik elkészíteni, és légy óvatos, hogy hány gridet kell rajzolnod ezekkel a technikákkal.
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Áttekintés és önálló tanulás
+
+A vonaldiagramok lehetnek egyszerűek vagy meglehetősen összetettek. Olvass egy kicsit a [Seaborn dokumentációjában](https://seaborn.pydata.org/generated/seaborn.lineplot.html) arról, hogy milyen különböző módokon építheted őket. Próbáld meg továbbfejleszteni az ebben a leckében készített vonaldiagramokat a dokumentációban felsorolt egyéb módszerekkel.
+## Feladat
+
+[Merülj el a méhkasban](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/hu/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..60f086fd
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:29+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Merülj el a méhkasban
+
+## Útmutató
+
+Ebben a leckében elkezdtél megvizsgálni egy méhekkel és méztermeléssel kapcsolatos adatállományt, amely egy olyan időszakot ölel fel, amikor a méhkolóniák populációja összességében csökkent. Merülj el mélyebben ebben az adatállományban, és készíts egy jegyzetfüzetet, amely bemutatja a méhpopuláció egészségi állapotát államonként és évről évre. Felfedezel valami érdekeset ebben az adatállományban?
+
+## Értékelési szempontok
+
+| Kiemelkedő                                                                                                                                              | Megfelelő                                | Fejlesztésre szorul                      |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| Egy jegyzetfüzet kerül bemutatásra, amely legalább három különböző diagrammal illusztrálja az adatállomány különböző aspektusait, államonként és évről évre | A jegyzetfüzetből hiányzik egy elem      | A jegyzetfüzetből két elem hiányzik      |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..2553250a
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:43:14+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "hu"
+}
+-->
+# Jelentőségteljes vizualizációk készítése
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Jelentőségteljes vizualizációk - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "Ha elég sokáig kínozod az adatokat, bármit bevallanak" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Az adatelemző egyik alapvető készsége, hogy képes olyan jelentőségteljes adatvizualizációt létrehozni, amely segít megválaszolni a felmerülő kérdéseket. Mielőtt vizualizálnád az adatokat, meg kell győződnöd arról, hogy megtisztítottad és előkészítetted őket, ahogyan azt a korábbi leckékben tetted. Ezután elkezdheted eldönteni, hogyan mutasd be legjobban az adatokat.
+
+Ebben a leckében áttekinted:
+
+1. Hogyan válaszd ki a megfelelő diagramtípust
+2. Hogyan kerüld el a megtévesztő diagramokat
+3. Hogyan dolgozz a színekkel
+4. Hogyan formázd a diagramokat az olvashatóság érdekében
+5. Hogyan készíts animált vagy 3D diagramokat
+6. Hogyan készíts kreatív vizualizációt
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Válaszd ki a megfelelő diagramtípust
+
+A korábbi leckékben különféle érdekes adatvizualizációkat készítettél Matplotlib és Seaborn segítségével. Általánosságban véve a [megfelelő diagramtípust](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) az alábbi táblázat alapján választhatod ki a kérdésedhez:
+
+| Amit szeretnél:            | Amit használnod kell:           |
+| -------------------------- | ------------------------------- |
+| Időbeli adattrendek bemutatása | Vonal                          |
+| Kategóriák összehasonlítása | Oszlop, Kördiagram              |
+| Összegek összehasonlítása   | Kördiagram, Halmozott oszlop    |
+| Kapcsolatok bemutatása      | Szórás, Vonal, Facet, Kettős vonal |
+| Eloszlások bemutatása       | Szórás, Hisztogram, Dobozdiagram |
+| Arányok bemutatása          | Kördiagram, Donut, Waffle       |
+
+> ✅ Az adatok összetételétől függően előfordulhat, hogy szöveges adatokat numerikus formátumba kell konvertálnod, hogy a diagram támogassa őket.
+
+## Kerüld el a megtévesztést
+
+Még ha az adatelemző gondosan választja is ki a megfelelő diagramot az adatokhoz, számos módon lehet az adatokat úgy megjeleníteni, hogy bizonyos állításokat igazoljanak, gyakran az adatok hitelességének rovására. Számos példa van megtévesztő diagramokra és infografikákra!
+
+[![Hogyan hazudnak a diagramok - Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hu.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Hogyan hazudnak a diagramok")
+
+> 🎥 Kattints a fenti képre egy konferenciaelőadásért a megtévesztő diagramokról
+
+Ez a diagram megfordítja az X tengelyt, hogy az igazság ellentétét mutassa, dátum alapján:
+
+![rossz diagram 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hu.png)
+
+[Ez a diagram](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) még megtévesztőbb, mivel a szem a jobb oldalra irányul, hogy arra a következtetésre jusson, hogy az idő múlásával a COVID-esetek száma csökkent az egyes megyékben. Valójában, ha alaposan megnézed a dátumokat, rájössz, hogy azokat átrendezték, hogy ezt a megtévesztő csökkenő trendet mutassák.
+
+![rossz diagram 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hu.jpg)
+
+Ez a hírhedt példa színt ÉS megfordított Y tengelyt használ a megtévesztéshez: ahelyett, hogy arra a következtetésre jutnánk, hogy a fegyveres halálesetek száma megugrott a fegyverbarát jogszabályok elfogadása után, valójában a szem becsapódik, hogy az ellenkezőjét gondolja:
+
+![rossz diagram 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hu.jpg)
+
+Ez a furcsa diagram azt mutatja, hogyan lehet az arányokat manipulálni, komikus hatással:
+
+![rossz diagram 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hu.jpg)
+
+Az összehasonlíthatatlan összehasonlítása egy másik árnyékos trükk. Van egy [csodálatos weboldal](https://tylervigen.com/spurious-correlations), amely "hamis korrelációkat" mutat be, például a Maine-i válási arány és a margarin fogyasztásának összefüggéseit. Egy Reddit csoport szintén gyűjti az [adatok csúnya felhasználását](https://www.reddit.com/r/dataisugly/top/?t=all).
+
+Fontos megérteni, hogy a szem milyen könnyen becsapható megtévesztő diagramokkal. Még ha az adatelemző szándéka jó is, egy rossz diagramtípus, például túl sok kategóriát bemutató kördiagram választása megtévesztő lehet.
+
+## Színek
+
+A fent említett "Florida fegyveres erőszak" diagramon láthattad, hogy a szín hogyan adhat további jelentést a diagramokhoz, különösen azokhoz, amelyeket nem olyan könyvtárak, mint a Matplotlib és Seaborn terveztek, amelyek különféle ellenőrzött színkönyvtárakkal és palettákkal rendelkeznek. Ha kézzel készítesz diagramot, tanulmányozd egy kicsit a [színek elméletét](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Légy tudatában annak, hogy a diagramok tervezésekor az akadálymentesség fontos szempont. Néhány felhasználód színvak lehet - vajon a diagramod jól megjelenik a látássérült felhasználók számára?
+
+Légy óvatos, amikor színeket választasz a diagramodhoz, mivel a szín olyan jelentést közvetíthet, amelyet nem szándékoztál. A "rózsaszín hölgyek" a fent említett "magasság" diagramon kifejezetten "nőies" jelentést hordoznak, ami hozzájárul a diagram furcsaságához.
+
+Bár a [színek jelentése](https://colormatters.com/color-symbolism/the-meanings-of-colors) különböző lehet a világ különböző részein, és árnyalatuk szerint változhat. Általánosságban véve a színek jelentései a következők:
+
+| Szín   | Jelentés             |
+| ------ | ------------------- |
+| piros  | erő                 |
+| kék    | bizalom, hűség      |
+| sárga  | boldogság, óvatosság |
+| zöld   | ökológia, szerencse, irigység |
+| lila   | boldogság           |
+| narancs| élénkség            |
+
+Ha az a feladatod, hogy egyedi színekkel készíts diagramot, győződj meg arról, hogy a diagramjaid akadálymentesek, és hogy a választott szín összhangban van az általad közvetíteni kívánt jelentéssel.
+
+## Diagramok formázása az olvashatóság érdekében
+
+A diagramok nem jelentőségteljesek, ha nem olvashatók! Szánj egy pillanatot arra, hogy megfontold a diagram szélességének és magasságának formázását, hogy jól illeszkedjen az adatokhoz. Ha egy változót (például az összes 50 államot) kell megjeleníteni, mutasd őket függőlegesen az Y tengelyen, ha lehetséges, hogy elkerüld a vízszintesen görgethető diagramot.
+
+Címkézd fel a tengelyeket, adj meg egy jelmagyarázatot, ha szükséges, és kínálj felugró ablakokat az adatok jobb megértése érdekében.
+
+Ha az adataid szövegesek és bőbeszédűek az X tengelyen, döntsd meg a szöveget az olvashatóság érdekében. A [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D ábrázolást kínál, ha az adataid támogatják. Kifinomult adatvizualizációk készíthetők `mpl_toolkits.mplot3d` használatával.
+
+![3D diagramok](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hu.png)
+
+## Animáció és 3D diagramok megjelenítése
+
+A legjobb adatvizualizációk közül ma sok animált. Shirley Wu lenyűgözőeket készített D3-mal, például '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ahol minden virág egy film vizualizációja. Egy másik példa a Guardian számára a 'bussed out', egy interaktív élmény, amely vizualizációkat kombinál Greensockkal és D3-mal, valamint egy görgethető cikkformátummal, hogy bemutassa, hogyan kezeli NYC a hajléktalan problémáját azzal, hogy embereket szállít ki a városból.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hu.png)
+
+> "Bussed Out: Hogyan mozgatja Amerika a hajléktalanokat" a [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) oldalán. Vizualizációk: Nadieh Bremer & Shirley Wu
+
+Bár ez a lecke nem elegendő ahhoz, hogy mélyrehatóan megtanítsa ezeket az erőteljes vizualizációs könyvtárakat, próbáld ki a D3-at egy Vue.js alkalmazásban, egy könyvtár segítségével, amely a "Veszedelmes viszonyok" című könyv animált társadalmi hálózatának vizualizációját jeleníti meg.
+
+> "Les Liaisons Dangereuses" egy levélregény, vagyis egy sor levelezésként bemutatott regény. Choderlos de Laclos írta 1782-ben, és a francia arisztokrácia két főszereplőjének, a Vicomte de Valmontnak és a Marquise de Merteuilnek a kegyetlen, erkölcsileg romlott társadalmi manővereiről szól a 18. század végén. Mindketten elbuknak a végén, de nem anélkül, hogy jelentős társadalmi károkat okoznának. A regény levelek sorozataként bontakozik ki, amelyeket különböző embereknek írtak a körükben, bosszút tervezve vagy egyszerűen bajt okozva. Készíts egy vizualizációt ezekről a levelekről, hogy felfedezd a narratíva főszereplőit vizuálisan.
+
+Egy webalkalmazást fogsz elkészíteni, amely animált nézetet jelenít meg erről a társadalmi hálózatról. Egy könyvtárat használ, amelyet arra terveztek, hogy [hálózatot vizualizáljon](https://github.com/emiliorizzo/vue-d3-network) Vue.js és D3 segítségével. Amikor az alkalmazás fut, az adatokat a képernyőn húzva átrendezheted.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hu.png)
+
+## Projekt: Hálózatot bemutató diagram készítése D3.js segítségével
+
+> Ez a lecke mappa tartalmaz egy `solution` mappát, ahol megtalálhatod a kész projektet referenciaként.
+
+1. Kövesd az utasításokat a README.md fájlban a kezdő mappa gyökerében. Győződj meg róla, hogy az NPM és a Node.js fut a gépeden, mielőtt telepíted a projekt függőségeit.
+
+2. Nyisd meg a `starter/src` mappát. Felfedezel egy `assets` mappát, ahol található egy .json fájl az összes levéllel a regényből, számozva, "to" és "from" jelöléssel.
+
+3. Egészítsd ki a kódot a `components/Nodes.vue` fájlban, hogy engedélyezd a vizualizációt. Keresd meg a `createLinks()` nevű metódust, és add hozzá a következő beágyazott ciklust.
+
+Ciklussal járd be a .json objektumot, hogy rögzítsd a levelek "to" és "from" adatait, és építsd fel a `links` objektumot, hogy a vizualizációs könyvtár fel tudja dolgozni:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Futtasd az alkalmazásodat a terminálból (npm run serve), és élvezd a vizualizációt!
+
+## 🚀 Kihívás
+
+Tegyél egy internetes túrát, hogy megtaláld a megtévesztő vizualizációkat. Hogyan csapja be a szerző a felhasználót, és szándékos-e? Próbáld meg kijavítani a vizualizációkat, hogy megmutasd, hogyan kellene kinézniük.
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Áttekintés és önálló tanulás
+
+Íme néhány cikk, amelyet olvashatsz a megtévesztő adatvizualizációkról:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Nézd meg ezeket az érdekes vizualizációkat történelmi eszközökről és tárgyakról:
+
+https://handbook.pubpub.org/
+
+Olvasd el ezt a cikket arról, hogyan fokozhatja az animáció a vizualizációkat:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Feladat
+
+[Készítsd el saját egyedi vizualizációdat](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..19dde006
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:47:04+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Készítsd el saját egyedi vizualizációdat
+
+## Útmutató
+
+Használd a projektben található kódmintát egy közösségi hálózat létrehozásához, és készítsd el saját társas interakcióid szimulált adatait. Térképezheted a közösségi média használatodat, vagy készíthetsz egy diagramot a családtagjaidról. Hozz létre egy érdekes webalkalmazást, amely egyedi vizualizációt mutat be egy közösségi hálózatról.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+Egy GitHub repó bemutatásra kerül, amely megfelelően futó kódot tartalmaz (próbáld meg statikus webalkalmazásként telepíteni), és egy annotált README magyarázza a projektet | A repó nem fut megfelelően, vagy nincs jól dokumentálva | A repó nem fut megfelelően, és nincs jól dokumentálva
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..5a11cfc5
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:26+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "hu"
+}
+-->
+# Veszélyes viszonyok adatvizualizációs projekt
+
+A kezdéshez győződj meg róla, hogy az NPM és a Node telepítve van a gépeden. Telepítsd a függőségeket (npm install), majd futtasd a projektet helyben (npm run serve):
+
+## Projekt beállítása
+```
+npm install
+```
+
+### Fordítás és automatikus újratöltés fejlesztéshez
+```
+npm run serve
+```
+
+### Fordítás és minifikálás éles környezethez
+```
+npm run build
+```
+
+### Fájlok ellenőrzése és javítása
+```
+npm run lint
+```
+
+### Konfiguráció testreszabása
+Lásd [Konfigurációs hivatkozás](https://cli.vuejs.org/config/).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..c3e00169
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:47:48+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "hu"
+}
+-->
+# Veszélyes viszonyok adatvizualizációs projekt
+
+A kezdéshez győződj meg róla, hogy az NPM és a Node telepítve van a gépeden. Telepítsd a függőségeket (npm install), majd futtasd a projektet helyben (npm run serve):
+
+## Projekt beállítása
+```
+npm install
+```
+
+### Fejlesztéshez fordít és automatikusan újratölt
+```
+npm run serve
+```
+
+### Produkcióhoz fordít és tömörít
+```
+npm run build
+```
+
+### Fájlokat ellenőriz és javít
+```
+npm run lint
+```
+
+### Konfiguráció testreszabása
+Lásd [Konfigurációs hivatkozás](https://cli.vuejs.org/config/).
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/hu/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..b1ed7a02
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,230 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:07:45+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "hu"
+}
+-->
+# Mennyiségek vizualizálása
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Mennyiségek vizualizálása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Ebben a leckében felfedezheted, hogyan használhatod az R nyelvben elérhető számos csomagot és könyvtárat, hogy érdekes vizualizációkat készíts a mennyiségek fogalma köré. Egy tisztított adatállomány segítségével, amely Minnesota madarairól szól, sok érdekes tényt tanulhatsz a helyi vadvilágról.  
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Szárnyfesztáv megfigyelése ggplot2-vel
+Egy kiváló könyvtár, amely egyszerű és összetett diagramok és grafikonok készítésére alkalmas, a [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Általánosságban a folyamat, amely során adatokat ábrázolunk ezekkel a könyvtárakkal, magában foglalja az adatkeret azon részeinek azonosítását, amelyeket meg szeretnénk célozni, az adatok szükséges átalakítását, az x és y tengely értékeinek hozzárendelését, a megjelenítendő diagram típusának kiválasztását, majd a diagram megjelenítését.
+
+A `ggplot2` egy rendszer, amely deklaratív módon hoz létre grafikákat, a grafikai nyelvtan (Grammar of Graphics) alapján. A [grafikai nyelvtan](https://en.wikipedia.org/wiki/Ggplot2) egy általános séma az adatvizualizációhoz, amely a grafikonokat szemantikai összetevőkre bontja, mint például skálák és rétegek. Más szavakkal, az egyszerű kódolással történő univariáns vagy multivariáns adatok grafikonjainak létrehozásának könnyedsége teszi a `ggplot2`-t az R nyelvben a legnépszerűbb vizualizációs csomaggá. A felhasználó megadja a `ggplot2`-nek, hogyan térképezze fel a változókat az esztétikára, milyen grafikai primitíveket használjon, és a `ggplot2` elvégzi a többit.
+
+> ✅ Diagram = Adatok + Esztétika + Geometria
+> - Az adatok az adatállományt jelentik
+> - Az esztétika a vizsgálandó változókat jelöli (x és y változók)
+> - A geometria a diagram típusát jelenti (vonaldiagram, oszlopdiagram stb.)
+
+Válaszd ki a legjobb geometriát (diagramtípust) az adataid és a történet alapján, amit el szeretnél mesélni a diagramon keresztül.
+
+> - Trendek elemzéséhez: vonal, oszlop
+> - Értékek összehasonlításához: oszlop, kördiagram, szórásdiagram
+> - Az egészhez való viszony bemutatásához: kördiagram
+> - Az adatok eloszlásának bemutatásához: szórásdiagram, oszlopdiagram
+> - Értékek közötti kapcsolatok bemutatásához: vonal, szórásdiagram, buborékdiagram
+
+✅ Nézd meg ezt a leíró [cheatsheetet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) a ggplot2-hez.
+
+## Készíts vonaldiagramot a madarak szárnyfesztáv értékeiről
+
+Nyisd meg az R konzolt, és importáld az adatállományt.  
+> Megjegyzés: Az adatállomány a repo gyökérkönyvtárában található, a `/data` mappában.
+
+Importáljuk az adatállományt, és nézzük meg az adatok elejét (első 5 sor).
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+Az adatok eleje szöveg és számok keverékét tartalmazza:
+
+|      | Név                          | TudományosNév          | Kategória             | Rend         | Család   | Nemzetség   | TermészetvédelmiStátusz | MinHossz | MaxHossz | MinTestTömeg | MaxTestTömeg | MinSzárnyfesztáv | MaxSzárnyfesztáv |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :--------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Feketehasú sípoló kacsa      | Dendrocygna autumnalis | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous sípoló kacsa         | Dendrocygna bicolor    | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Hóliba                      | Anser caerulescens     | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross-liba                   | Anser rossii           | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Nagy fehérhomlokú lúd       | Anser albifrons        | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Kezdjük el néhány numerikus adat ábrázolását egy alapvető vonaldiagram segítségével. Tegyük fel, hogy szeretnénk látni ezeknek az érdekes madaraknak a maximális szárnyfesztávját.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Itt telepítjük a `ggplot2` csomagot, majd importáljuk a munkaterületre a `library("ggplot2")` paranccsal. Bármilyen diagramot a ggplotban a `ggplot()` függvénnyel készítünk, és megadjuk az adatállományt, az x és y változókat attribútumként. Ebben az esetben a `geom_line()` függvényt használjuk, mivel vonaldiagramot szeretnénk ábrázolni.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hu.png)
+
+Mit veszel észre azonnal? Úgy tűnik, van legalább egy kiugró érték - ez elég nagy szárnyfesztáv! Egy 2000+ centiméteres szárnyfesztáv több mint 20 métert jelent - vajon Pterodactylusok kószálnak Minnesotában? Vizsgáljuk meg.
+
+Bár gyorsan rendezhetnéd az adatokat Excelben, hogy megtaláld ezeket a kiugró értékeket, amelyek valószínűleg elírások, folytasd a vizualizációs folyamatot a diagramon belülről.
+
+Adj címkéket az x-tengelyhez, hogy megmutasd, milyen madarakról van szó:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+A szögek megadását a `theme`-ben végezzük, az x és y tengely címkéit pedig a `xlab()` és `ylab()` segítségével adjuk meg. A `ggtitle()` nevet ad a diagramnak/grafikonnak.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hu.png)
+
+Még a címkék 45 fokos elforgatásával is túl sok van ahhoz, hogy olvasható legyen. Próbáljunk ki egy másik stratégiát: csak a kiugró értékeket címkézzük meg, és helyezzük el a címkéket a diagramon belül. Használhatunk szórásdiagramot, hogy több helyet biztosítsunk a címkézéshez:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+Mi történik itt? A `geom_point()` függvényt használjuk szóráspontok ábrázolására. Ezzel címkéket adtunk azoknak a madaraknak, amelyeknek `MaxWingspan > 500`, és elrejtettük az x tengely címkéit, hogy tisztább legyen a diagram.
+
+Mit fedezel fel?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hu.png)
+
+## Szűrd az adataidat
+
+Mind a kopasz sas, mind a prérisólyom, bár valószínűleg nagyon nagy madarak, valószínűleg hibásan vannak címkézve, egy extra 0-val a maximális szárnyfesztávjuknál. Nem valószínű, hogy találkozol egy 25 méteres szárnyfesztávú kopasz sassal, de ha igen, kérlek, értesíts minket! Hozzunk létre egy új adatkeretet ezek nélkül a kiugró értékek nélkül:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Létrehoztunk egy új adatkeretet `birds_filtered` néven, majd szórásdiagramot ábrázoltunk. A kiugró értékek kiszűrésével az adataid most összefüggőbbek és érthetőbbek.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hu.png)
+
+Most, hogy legalább a szárnyfesztáv szempontjából tisztább adatállományunk van, fedezzünk fel többet ezekről a madarakról.
+
+Bár a vonal- és szórásdiagramok információkat tudnak megjeleníteni az adatértékekről és azok eloszlásáról, gondolkodjunk el az adatállományban rejlő értékeken. Készíthetnénk vizualizációkat, hogy megválaszoljuk a következő kérdéseket a mennyiségekről:
+
+> Hány madárkategória van, és milyen számban?  
+> Hány madár kihalt, veszélyeztetett, ritka vagy gyakori?  
+> Hány van a különböző nemzetségek és rendek közül Linnaeus terminológiája szerint?  
+## Fedezzük fel az oszlopdiagramokat
+
+Az oszlopdiagramok praktikusak, ha az adatok csoportosítását kell bemutatni. Fedezzük fel, milyen madárkategóriák léteznek ebben az adatállományban, hogy lássuk, melyik a leggyakoribb szám szerint.  
+Készítsünk oszlopdiagramot a szűrt adatok alapján.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+A következő kódrészletben telepítjük a [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) és [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) csomagokat, hogy segítsenek az adatok manipulálásában és csoportosításában, majd egy halmozott oszlopdiagramot ábrázolunk. Először csoportosítjuk az adatokat a madár `Category` szerint, majd összesítjük a `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` oszlopokat. Ezután a `ggplot2` csomag segítségével ábrázoljuk az oszlopdiagramot, megadva a különböző kategóriák színeit és címkéit.
+
+![Halmozott oszlopdiagram](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hu.png)
+
+Ez az oszlopdiagram azonban olvashatatlan, mert túl sok nem csoportosított adat van. Ki kell választanunk csak azokat az adatokat, amelyeket ábrázolni szeretnénk, így nézzük meg a madarak hosszát kategóriájuk alapján.
+
+Szűrd az adataidat, hogy csak a madár kategóriáját tartalmazza.
+
+Mivel sok kategória van, ezt a diagramot függőlegesen is megjelenítheted, és a magasságát úgy állíthatod be, hogy az összes adat beleférjen:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Először megszámoljuk az egyedi értékeket a `Category` oszlopban, majd egy új adatkeretbe `birds_count` néven rendezzük őket. Ez a rendezett adat ugyanazon szinten van faktorizálva, hogy rendezett módon ábrázoljuk. A `ggplot2` segítségével ezután oszlopdiagramot ábrázolunk. A `coord_flip()` vízszintes oszlopokat ábrázol.
+
+![Kategória-hossz](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hu.png)
+
+Ez az oszlopdiagram jó képet ad arról, hogy hány madár van az egyes kategóriákban. Egy pillantás alatt látható, hogy ebben a régióban a legtöbb madár a Kacsák/Ludak/Vízimadarak kategóriába tartozik. Minnesota a "10,000 tó földje", így ez nem meglepő!
+
+✅ Próbálj ki néhány más számítást ezen az adatállományon. Meglep valami?
+
+## Adatok összehasonlítása
+
+Próbálj ki különböző összehasonlításokat csoportosított adatokkal, új tengelyek létrehozásával. Próbálj ki egy összehasonlítást a madarak MaxLength értéke alapján, kategóriájuk szerint:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Csoportosítjuk a `birds_filtered` adatokat `Category` szerint, majd oszlopdiagramot ábrázolunk.
+
+![Adatok összehasonlítása](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hu.png)
+
+Semmi meglepő: a kolibriknek van a legkisebb MaxLength értéke a pelikánokhoz vagy ludakhoz képest. Jó, ha az adatok logikusak!
+
+Érdekesebb oszlopdiagramokat készíthetsz az adatok egymásra helyezésével. Helyezzük egymásra a Minimum és Maximum Hossz értékeket egy adott madárkategóriában:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![Egymásra helyezett értékek](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hu.png)
+
+## 🚀 Kihívás
+
+Ez a madár adatállomány rengeteg információt kínál különböző madártípusokról egy adott ökoszisztémában. Keress az interneten, és nézz körül, találhatsz-e más madár-orientált adatállományokat. Gyakorold a diagramok és grafikonok készítését ezekről a madarakról, hogy olyan tényeket fedezz fel, amelyeket korábban nem ismertél.  
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Áttekintés és önálló tanulás
+
+Ez az első lecke némi információt adott arról, hogyan használhatod a `ggplot2`-t mennyiségek vizualizálására. Végezz kutatást más módszerekről, amelyekkel adatállományokat vizualizálhatsz. Kutass és keress olyan adatállományokat, amelyeket vizualizálhatsz más csomagokkal, mint például [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) és [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Feladat
+[Vonaldigramok, szórásdiagramok és oszlopdiagramok](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/hu/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..6bd24c76
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:13:34+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Vonalak, Szórások és Oszlopok
+
+## Útmutató
+
+Ebben a leckében vonaldiagramokkal, szórásdiagramokkal és oszlopdiagramokkal dolgoztál, hogy érdekes tényeket mutass be erről az adathalmazról. Ebben a feladatban mélyebben merülj el az adathalmazban, hogy felfedezz egy tényt egy adott madárfajtáról. Például készíts egy szkriptet, amely vizualizálja az összes érdekes adatot, amit a hólibákról fel tudsz tárni. Használd a fent említett három diagramtípust, hogy egy történetet mesélj el a jegyzetfüzetedben.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+Egy szkript van bemutatva jó megjegyzésekkel, erős történetmeséléssel és vonzó grafikonokkal | A szkriptből hiányzik ezek közül az elemek közül egy | A szkriptből hiányzik ezek közül az elemek közül kettő
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével került lefordításra. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/hu/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..33bd5ebe
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T16:59:09+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "hu"
+}
+-->
+# Az eloszlások vizualizálása
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Az eloszlások vizualizálása - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+Az előző leckében érdekes tényeket tanultál a Minnesotában élő madarakról szóló adathalmazról. Hibás adatokat találtál a kiugró értékek vizualizálásával, és megvizsgáltad a madárkategóriák közötti különbségeket a maximális hosszúságuk alapján.
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Fedezd fel a madarak adathalmazát
+
+Egy másik módja az adatok mélyebb megértésének, ha megvizsgáljuk azok eloszlását, vagyis azt, hogy az adatok hogyan rendeződnek el egy tengely mentén. Például szeretnéd megtudni, hogy milyen az általános eloszlás ebben az adathalmazban a Minnesotában élő madarak maximális szárnyfesztávolsága vagy maximális testtömege alapján.
+
+Fedezzünk fel néhány tényt az adatok eloszlásáról ebben az adathalmazban. Az R konzolban importáld a `ggplot2` csomagot és az adatbázist. Távolítsd el a kiugró értékeket az adatbázisból, ahogy az előző témában is tetted.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Név                          | TudományosNév          | Kategória             | Rend         | Család   | Nemzetség   | TermészetvédelmiStátusz | MinHossz | MaxHossz | MinTestTömeg | MaxTestTömeg | MinSzárnyfesztáv | MaxSzárnyfesztáv |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :---------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Feketehasú sípoló kacsa      | Dendrocygna autumnalis | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous sípoló kacsa         | Dendrocygna bicolor    | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Dendrocygna | LC                     |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Hóliba                       | Anser caerulescens     | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross-liba                    | Anser rossii           | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Nagy fehérhomlokú lúd        | Anser albifrons        | Kacsák/Ludak/Vízimadarak | Anseriformes | Anatidae | Anser       | LC                     |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Általánosságban gyorsan megvizsgálhatod az adatok eloszlását egy szórásdiagram segítségével, ahogy az előző leckében is tettük:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![max hosszúság rendenként](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hu.png)
+
+Ez egy áttekintést ad a madarak testhosszának eloszlásáról rendenként, de nem a legoptimálisabb módja az igazi eloszlások megjelenítésének. Ezt a feladatot általában hisztogramokkal oldják meg.
+
+## Hisztogramok használata
+
+A `ggplot2` kiváló eszközöket kínál az adatok eloszlásának vizualizálására hisztogramok segítségével. Ez a fajta diagram hasonlít az oszlopdiagramhoz, ahol az eloszlás a sávok emelkedésén és csökkenésén keresztül látható. Hisztogram készítéséhez numerikus adatokra van szükség. Hisztogram létrehozásához a diagram típusát 'hist'-ként kell megadni. Ez a diagram megmutatja az adathalmaz MaxTestTömeg értékeinek eloszlását az egész numerikus adat tartományban. Az adatok tömbjét kisebb bin-ekre osztva megjeleníti az értékek eloszlását:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![eloszlás az egész adathalmazon](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hu.png)
+
+Ahogy látható, a több mint 400 madár többsége ebben az adathalmazban 2000 alatti MaxTestTömeg tartományba esik. Mélyebb betekintést nyerhetsz az adatokba, ha a `bins` paramétert magasabb számra, például 30-ra állítod:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![eloszlás 30 bin-nel](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hu.png)
+
+Ez a diagram kicsit részletesebb módon mutatja az eloszlást. Egy kevésbé balra torzított diagramot hozhatsz létre, ha csak egy adott tartományon belüli adatokat választasz ki:
+
+Szűrd az adatokat úgy, hogy csak azok a madarak maradjanak, amelyek testtömege 60 alatt van, és állítsd be a `bins` értékét 30-ra:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![szűrt hisztogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hu.png)
+
+✅ Próbálj ki más szűrőket és adatpontokat. Az adatok teljes eloszlásának megtekintéséhez távolítsd el a `['MaxBodyMass']` szűrőt, hogy címkézett eloszlásokat mutass.
+
+A hisztogram további színezési és címkézési lehetőségeket is kínál:
+
+Hozz létre egy 2D hisztogramot, hogy összehasonlítsd két eloszlás kapcsolatát. Hasonlítsuk össze a `MaxBodyMass` és a `MaxLength` értékeket. A `ggplot2` beépített módot kínál a konvergencia megjelenítésére élénkebb színek használatával:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Úgy tűnik, hogy van egy várható korreláció a két elem között egy előre látható tengely mentén, egy különösen erős konvergencia ponttal:
+
+![2d diagram](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hu.png)
+
+A hisztogramok alapértelmezés szerint jól működnek numerikus adatokkal. Mi van akkor, ha szöveges adatok szerint szeretnéd látni az eloszlásokat? 
+## Az adathalmaz eloszlásának vizsgálata szöveges adatok alapján 
+
+Ez az adathalmaz jó információkat tartalmaz a madárkategóriáról, nemzetségről, fajról és családról, valamint természetvédelmi státuszáról. Nézzük meg közelebbről ezt a természetvédelmi információt. Mi a madarak eloszlása természetvédelmi státuszuk szerint?
+
+> ✅ Az adathalmazban több rövidítés található a természetvédelmi státusz leírására. Ezek a rövidítések az [IUCN Vörös Lista Kategóriákból](https://www.iucnredlist.org/) származnak, amely egy szervezet, amely a fajok státuszát katalogizálja.
+> 
+> - CR: Kritikus veszélyeztetett
+> - EN: Veszélyeztetett
+> - EX: Kihalt
+> - LC: Legkevésbé aggasztó
+> - NT: Közel fenyegetett
+> - VU: Sebezhető
+
+Ezek szöveges értékek, így transzformációra lesz szükséged a hisztogram létrehozásához. Használva a szűrtBirds adatkeretet, jelenítsd meg a természetvédelmi státuszt a Minimális Szárnyfesztáv mellett. Mit látsz? 
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![szárnyfesztáv és természetvédelmi státusz](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hu.png)
+
+Úgy tűnik, hogy nincs jó korreláció a minimális szárnyfesztáv és a természetvédelmi státusz között. Tesztelj más elemeket az adathalmazból ezzel a módszerrel. Próbálj ki különböző szűrőket is. Találsz bármilyen korrelációt?
+
+## Sűrűségdiagramok
+
+Észrevehetted, hogy az eddig vizsgált hisztogramok "lépcsőzetesek", és nem folynak simán ívben. Ha simább sűrűségi diagramot szeretnél, próbálj ki egy sűrűségdiagramot.
+
+Most dolgozzunk sűrűségdiagramokkal!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![sűrűségdiagram](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hu.png)
+
+Láthatod, hogy a diagram visszatükrözi a korábbi Minimális Szárnyfesztáv adatokat; csak egy kicsit simább. Ha szeretnéd újraalkotni a második diagramon látott MaxTestTömeg "szaggatott" vonalat, nagyon jól kisimíthatod ezt a módszert használva:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![testtömeg sűrűség](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hu.png)
+
+Ha sima, de nem túl sima vonalat szeretnél, szerkeszd az `adjust` paramétert: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![kevésbé sima testtömeg](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hu.png)
+
+✅ Olvass utána az elérhető paramétereknek ehhez a diagramtípushoz, és kísérletezz!
+
+Ez a diagramtípus gyönyörűen magyarázó vizualizációkat kínál. Például néhány kódsorral megmutathatod a madarak rendenkénti maximális testtömeg sűrűségét:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![testtömeg rendenként](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hu.png)
+
+## 🚀 Kihívás
+
+A hisztogramok kifinomultabb diagramtípusok, mint az alapvető szórásdiagramok, oszlopdiagramok vagy vonaldiagramok. Keress jó példákat az interneten a hisztogramok használatára. Hogyan használják őket, mit mutatnak be, és milyen területeken vagy kutatási területeken alkalmazzák őket?
+
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Áttekintés és önálló tanulás
+
+Ebben a leckében a `ggplot2` csomagot használtad, és elkezdtél kifinomultabb diagramokat készíteni. Kutass a `geom_density_2d()` funkcióról, amely "folyamatos valószínűségi sűrűség görbét mutat egy vagy több dimenzióban". Olvasd el [a dokumentációt](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), hogy megértsd, hogyan működik.
+
+## Feladat
+
+[Alkalmazd a tudásod](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/hu/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..726e2744
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:02:07+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Alkalmazd a tudásodat
+
+## Útmutató
+
+Eddig a Minnesota madarak adatállományával dolgoztál, hogy információkat fedezz fel a madarak mennyiségéről és populációsűrűségéről. Gyakorold ezeknek a technikáknak az alkalmazását egy másik adatállományon, amelyet például a [Kaggle](https://www.kaggle.com/) oldalról szerezhetsz be. Készíts egy R szkriptet, amely történetet mesél el az adatállományról, és ügyelj arra, hogy hisztogramokat használj az elemzés során.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Egy szkript bemutatásra kerül, amely tartalmaz megjegyzéseket az adatállományról, beleértve annak forrását, és legalább 5 hisztogramot használ az adatokkal kapcsolatos tények feltárására. | Egy szkript bemutatásra kerül, de a megjegyzések hiányosak vagy hibákat tartalmaznak. | Egy szkript bemutatásra kerül, de nem tartalmaz megjegyzéseket, és hibákat tartalmaz.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/hu/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..9223f9cb
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,199 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:19:17+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "hu"
+}
+-->
+# Arányok vizualizálása
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Arányok vizualizálása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Ebben a leckében egy természetközpontú adatállományt fogsz használni, hogy vizualizáld az arányokat, például azt, hogy hány különböző gombafaj található egy adott adatállományban a gombákról. Fedezzük fel ezeket a lenyűgöző gombákat egy Audubon által összeállított adatállomány segítségével, amely 23 lemezes gombafajt tartalmaz az Agaricus és Lepiota családokból. Kísérletezni fogsz ínycsiklandó vizualizációkkal, mint például:
+
+- Torta diagramok 🥧
+- Fánk diagramok 🍩
+- Waffle diagramok 🧇
+
+> 💡 Egy nagyon érdekes projekt, a [Charticulator](https://charticulator.com) a Microsoft Research-től, ingyenes drag-and-drop felületet kínál adatvizualizációkhoz. Az egyik oktatóanyagukban szintén ezt a gomba adatállományt használják! Így egyszerre fedezheted fel az adatokat és tanulhatod meg a könyvtár használatát: [Charticulator oktatóanyag](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Ismerd meg a gombáidat 🍄
+
+A gombák nagyon érdekesek. Importáljunk egy adatállományt, hogy tanulmányozhassuk őket:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+Egy táblázat jelenik meg, amely remek elemzési adatokat tartalmaz:
+
+
+| osztály   | kalap-alak | kalap-felület | kalap-szín | zúzódások | illat    | lemez-csatlakozás | lemez-távolság | lemez-méret | lemez-szín | szár-alak | szár-gyökér | szár-felület-gyűrű-felett | szár-felület-gyűrű-alatt | szár-szín-gyűrű-felett | szár-szín-gyűrű-alatt | fátyol-típus | fátyol-szín | gyűrű-szám | gyűrű-típus | spóra-nyomat-szín | populáció | élőhely |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Mérgező   | Domború   | Sima        | Barna     | Zúzódik | Erős    | Szabad          | Szoros       | Keskeny   | Fekete     | Vastagodó   | Egyenlő    | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Fekete            | Szórványos | Városi  |
+| Ehető     | Domború   | Sima        | Sárga     | Zúzódik | Mandula | Szabad          | Szoros       | Széles    | Fekete     | Vastagodó   | Klub       | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Barna             | Számos     | Füves   |
+| Ehető     | Harang    | Sima        | Fehér     | Zúzódik | Ánizs   | Szabad          | Szoros       | Széles    | Barna      | Vastagodó   | Klub       | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Barna             | Számos     | Rét     |
+| Mérgező   | Domború   | Pikkelyes   | Fehér     | Zúzódik | Erős    | Szabad          | Szoros       | Keskeny   | Barna      | Vastagodó   | Egyenlő    | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Fekete            | Szórványos | Városi 
+| Ehető     | Domború   | Sima        | Zöld      | Nem zúzódik | Nincs | Szabad          | Zsúfolt     | Széles    | Fekete     | Keskenyedő | Egyenlő    | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Elillanó  | Barna             | Bőséges    | Füves   |
+| Ehető     | Domború   | Pikkelyes   | Sárga     | Zúzódik | Mandula | Szabad          | Szoros       | Széles    | Barna      | Vastagodó   | Klub       | Sima                     | Sima                     | Fehér                  | Fehér                  | Részleges  | Fehér      | Egy         | Függőleges | Fekete            | Számos     | Füves   
+
+Rögtön észreveheted, hogy az összes adat szöveges. Az adatokat át kell alakítanod, hogy diagramon használhatóak legyenek. Valójában az adatok többsége objektumként van ábrázolva:
+
+```r
+names(mushrooms)
+```
+
+Az eredmény:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+Konvertáld az 'osztály' oszlopot kategóriává:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+Most, ha kinyomtatod a gomba adatokat, láthatod, hogy azokat kategóriákba csoportosították a mérgező/ehető osztály szerint:
+```r
+View(grouped)
+```
+
+
+| osztály | darabszám |
+| --------- | --------- |
+| Ehető     | 4208     |
+| Mérgező   | 3916     |
+
+
+Ha követed a táblázatban bemutatott sorrendet az osztály kategória címkék létrehozásához, készíthetsz egy torta diagramot.
+
+## Torta!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+Voilá, egy torta diagram, amely bemutatja az adatok arányait a gombák két osztálya szerint. Nagyon fontos, hogy a címkék sorrendje helyes legyen, különösen itt, ezért ellenőrizd a címke tömb létrehozásának sorrendjét!
+
+![torta diagram](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hu.png)
+
+## Fánkok!
+
+Egy vizuálisan érdekesebb torta diagram a fánk diagram, amely egy lyukkal rendelkező torta diagram. Nézzük meg az adatainkat ezzel a módszerrel.
+
+Nézd meg a különböző élőhelyeket, ahol a gombák nőnek:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+Az eredmény:
+| élőhely | darabszám |
+| --------- | --------- |
+| Füves     | 2148     |
+| Levelek   | 832      |
+| Rét       | 292      |
+| Ösvények  | 1144     |
+| Városi    | 368      |
+| Hulladék  | 192      |
+| Fa        | 3148     |
+
+
+Itt az adatokat élőhely szerint csoportosítod. Hét élőhely van felsorolva, ezeket használd címkékként a fánk diagramhoz:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![fánk diagram](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hu.png)
+
+Ez a kód két könyvtárat használ - ggplot2 és webr. A webr könyvtár PieDonut függvényével könnyen készíthetünk fánk diagramot!
+
+Fánk diagramokat R-ben csak a ggplot2 könyvtár segítségével is lehet készíteni. Erről többet megtudhatsz [itt](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html), és kipróbálhatod magad.
+
+Most, hogy tudod, hogyan csoportosítsd az adatokat, majd jelenítsd meg őket torta vagy fánk diagramként, felfedezhetsz más típusú diagramokat is. Próbálj ki egy waffle diagramot, amely egy másik módja a mennyiségek vizualizálásának.
+## Waffle!
+
+A 'waffle' típusú diagram egy másik módja a mennyiségek vizualizálásának, egy 2D négyzetes tömb formájában. Próbáld meg vizualizálni a gombakalap színek különböző mennyiségeit ebben az adatállományban. Ehhez telepítened kell egy segédkönyvtárat, a [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) könyvtárat, és használnod kell a vizualizáció létrehozásához:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+Válassz ki egy adat szegmenst a csoportosításhoz:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+Hozz létre egy waffle diagramot címkék létrehozásával, majd csoportosítsd az adatokat:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+A waffle diagram segítségével egyértelműen láthatod a gombakalap színek arányait ebben az adatállományban. Érdekes módon sok zöld kalapú gomba van!
+
+![waffle diagram](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hu.png)
+
+Ebben a leckében három módot tanultál meg az arányok vizualizálására. Először csoportosítanod kell az adatokat kategóriákba, majd eldönteni, hogy melyik a legjobb módja az adatok megjelenítésének - torta, fánk vagy waffle. Mindegyik ínycsiklandó, és azonnali pillanatképet nyújt az adatállományról.
+
+## 🚀 Kihívás
+
+Próbáld meg újra létrehozni ezeket az ínycsiklandó diagramokat a [Charticulator](https://charticulator.com) segítségével.
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Áttekintés és önálló tanulás
+
+Néha nem egyértelmű, hogy mikor használjunk torta, fánk vagy waffle diagramot. Íme néhány cikk, amit elolvashatsz a témában:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Végezz kutatást, hogy további információkat találj erről a nehéz döntésről.
+## Feladat
+
+[Próbáld ki Excelben](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/hu/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..3fcc33b2
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:03:15+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "hu"
+}
+-->
+# Kapcsolatok vizualizálása: Minden a mézről 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Kapcsolatok vizualizálása - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Folytatva kutatásunk természetközpontú irányát, fedezzünk fel érdekes vizualizációkat, amelyek bemutatják a különböző mézfajták közötti kapcsolatokat egy, az [Amerikai Mezőgazdasági Minisztérium](https://www.nass.usda.gov/About_NASS/index.php) által összeállított adatbázis alapján.
+
+Ez az adatbázis körülbelül 600 tételt tartalmaz, és az Egyesült Államok különböző államaiban történő méztermelést mutatja be. Például megvizsgálhatjuk az államok méhkolóniáinak számát, az egy kolóniára jutó hozamot, a teljes termelést, a készleteket, az árakat fontonként, valamint a termelt méz értékét 1998 és 2012 között, évente egy sorral minden államra vonatkozóan.
+
+Érdekes lehet vizualizálni egy adott állam éves termelése és például az adott állam mézének ára közötti kapcsolatot. Alternatívaként megvizsgálhatjuk az államok mézhozamát kolóniánként. Ez az időszak magában foglalja a pusztító 'CCD' vagy 'Colony Collapse Disorder' (http://npic.orst.edu/envir/ccd.html) első megjelenését 2006-ban, így ez egy különösen érdekes adatbázis a tanulmányozáshoz. 🐝
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Ebben a leckében használhatod a ggplot2-t, amelyet korábban már használtál, mint egy jó könyvtárat a változók közötti kapcsolatok vizualizálására. Különösen érdekes a ggplot2 `geom_point` és `qplot` funkcióinak használata, amelyek lehetővé teszik szórásdiagramok és vonaldiagramok gyors létrehozását a '[statisztikai kapcsolatok](https://ggplot2.tidyverse.org/)' megértéséhez, amelyek segítenek az adatelemzőnek jobban megérteni, hogyan kapcsolódnak egymáshoz a változók.
+
+## Szórásdiagramok
+
+Használj szórásdiagramot annak bemutatására, hogyan alakult a méz ára évről évre, államonként. A ggplot2 `ggplot` és `geom_point` funkcióival kényelmesen csoportosíthatod az államok adatait, és megjelenítheted az adatpontokat mind kategóriális, mind numerikus adatok esetében.
+
+Kezdjük az adatok importálásával és a Seaborn használatával:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Láthatod, hogy a mézadatoknak több érdekes oszlopa van, például az év és az ár fontonként. Fedezzük fel ezeket az adatokat, csoportosítva az Egyesült Államok államai szerint:
+
+| állam | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | év   |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Készíts egy alap szórásdiagramot, amely bemutatja a méz fontonkénti ára és az Egyesült Államok államai közötti kapcsolatot. Állítsd be az `y` tengelyt elég magasra, hogy minden állam látható legyen:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![szórásdiagram 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hu.png)
+
+Most mutasd meg ugyanazt az adatot méz színsémával, hogy bemutasd, hogyan változik az ár az évek során. Ezt úgy teheted meg, hogy hozzáadsz egy 'scale_color_gradientn' paramétert, amely megmutatja az évről évre történő változást:
+
+> ✅ Tudj meg többet a [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) funkcióról - próbálj ki egy gyönyörű szivárványszínsémát!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![szórásdiagram 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hu.png)
+
+Ezzel a színséma változtatással egyértelműen látható az évek során a méz fontonkénti árának erős növekedése. Valóban, ha az adatbázis egy mintáját megvizsgálod (például Arizona államot), láthatod az árak évről évre történő növekedésének mintázatát, néhány kivétellel:
+
+| állam | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | év   |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Egy másik módja ennek a változásnak a vizualizálására a méret használata a szín helyett. Színvak felhasználók számára ez jobb opció lehet. Módosítsd a vizualizációt úgy, hogy az ár növekedését a pontok átmérőjének növekedése mutassa:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Láthatod, hogy a pontok mérete fokozatosan növekszik.
+
+![szórásdiagram 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hu.png)
+
+Ez egyszerűen a kereslet és kínálat esete? Az olyan tényezők, mint az éghajlatváltozás és a kolóniák összeomlása miatt kevesebb méz áll rendelkezésre évről évre, és ezért nő az ára?
+
+Ahhoz, hogy felfedezzük az összefüggést az adatbázis néhány változója között, vizsgáljunk meg néhány vonaldiagramot.
+
+## Vonaldiagramok
+
+Kérdés: Van egyértelmű növekedés a méz fontonkénti árának évről évre? Ezt legegyszerűbben egyetlen vonaldiagram létrehozásával fedezheted fel:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Válasz: Igen, néhány kivétellel 2003 körül:
+
+![vonaldiagram 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hu.png)
+
+Kérdés: Nos, 2003-ban láthatunk egy kiugrást a mézkészletben is? Mi történik, ha megvizsgáljuk a teljes termelést évről évre?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![vonaldiagram 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hu.png)
+
+Válasz: Nem igazán. Ha megnézzük a teljes termelést, úgy tűnik, hogy az valójában növekedett abban az évben, bár általánosságban a méztermelés csökkenő tendenciát mutat ezekben az években.
+
+Kérdés: Ebben az esetben mi okozhatta a méz árának kiugrását 2003 körül?
+
+Ennek felfedezéséhez vizsgáljunk meg egy facet gridet.
+
+## Facet grid-ek
+
+A facet grid-ek az adatbázis egy aspektusát veszik alapul (esetünkben választhatjuk az 'év'-et, hogy elkerüljük a túl sok aspektus létrehozását). A Seaborn ezután egy-egy diagramot készít az általad választott x és y koordináták alapján az egyszerűbb vizuális összehasonlítás érdekében. Kitűnik 2003 ebben a típusú összehasonlításban?
+
+Hozz létre egy facet grid-et a `facet_wrap` használatával, ahogy azt a [ggplot2 dokumentációja](https://ggplot2.tidyverse.org/reference/facet_wrap.html) ajánlja.
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+Ebben a vizualizációban összehasonlíthatod a kolóniánkénti hozamot és a kolóniák számát évről évre, egymás mellett, 3 oszlopra állítva a wrap-et:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hu.png)
+
+Ebben az adatbázisban semmi különös nem tűnik ki a kolóniák számával és hozamával kapcsolatban évről évre és államonként. Van más módja annak, hogy összefüggést találjunk e két változó között?
+
+## Kettős vonaldiagramok
+
+Próbálj ki egy többsoros diagramot, amelyben két vonaldiagramot helyezel egymásra, az R `par` és `plot` funkcióinak használatával. Az x tengelyen az évet ábrázoljuk, és két y tengelyt jelenítünk meg. Tehát ábrázoljuk a kolóniánkénti hozamot és a kolóniák számát, egymásra helyezve:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![egymásra helyezett diagramok](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hu.png)
+
+Bár semmi különös nem tűnik ki 2003 körül, ez lehetőséget ad arra, hogy egy kicsit vidámabb hangon zárjuk ezt a leckét: bár a kolóniák száma általánosságban csökken, a kolóniák száma stabilizálódik, még akkor is, ha a kolóniánkénti hozam csökken.
+
+Hajrá, méhek, hajrá!
+
+🐝❤️
+## 🚀 Kihívás
+
+Ebben a leckében többet tanultál a szórásdiagramok és vonalhálók, köztük a facet grid-ek használatáról. Kihívásként készíts egy facet grid-et egy másik adatbázis alapján, esetleg olyat, amelyet korábban használtál ezekben a leckékben. Jegyezd meg, mennyi időbe telik elkészíteni őket, és légy óvatos, hogy hány gridet kell rajzolnod ezekkel a technikákkal.
+## [Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Áttekintés és önálló tanulás
+
+A vonaldiagramok lehetnek egyszerűek vagy meglehetősen összetettek. Olvass egy kicsit a [ggplot2 dokumentációjában](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) arról, hogy milyen különböző módokon építheted őket. Próbáld meg fejleszteni az ebben a leckében készített vonaldiagramokat a dokumentációban felsorolt egyéb módszerekkel.
+## Feladat
+
+[Merülj el a méhkasban](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/hu/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..8ff9e50e
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:14:59+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "hu"
+}
+-->
+# Jelentőségteljes vizualizációk készítése
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Jelentőségteljes vizualizációk - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "Ha elég sokáig kínozod az adatokat, bármit bevallanak" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Az adatelemző egyik alapvető készsége, hogy képes legyen olyan jelentőségteljes adatvizualizációt készíteni, amely segít megválaszolni a felmerülő kérdéseket. Mielőtt azonban vizualizálnád az adatokat, biztosítanod kell, hogy azokat megtisztítottad és előkészítetted, ahogyan azt a korábbi leckékben is tetted. Ezután elkezdheted eldönteni, hogyan mutasd be legjobban az adatokat.
+
+Ebben a leckében áttekintjük:
+
+1. Hogyan válasszuk ki a megfelelő diagramtípust
+2. Hogyan kerüljük el a megtévesztő diagramokat
+3. Hogyan dolgozzunk a színekkel
+4. Hogyan formázzuk a diagramokat az olvashatóság érdekében
+5. Hogyan készítsünk animált vagy 3D diagramokat
+6. Hogyan hozzunk létre kreatív vizualizációkat
+
+## [Előzetes kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Válaszd ki a megfelelő diagramtípust
+
+A korábbi leckékben különféle érdekes adatvizualizációkat készítettél Matplotlib és Seaborn segítségével. Általánosságban a [megfelelő diagramtípus](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) kiválasztásához az alábbi táblázatot használhatod, attól függően, hogy milyen kérdést szeretnél megválaszolni:
+
+| Célod:                     | Használd:                      |
+| -------------------------- | ----------------------------- |
+| Adattrendek bemutatása időben | Vonal                        |
+| Kategóriák összehasonlítása | Oszlop, Kördiagram            |
+| Összegek összehasonlítása   | Kördiagram, Halmozott oszlop  |
+| Kapcsolatok bemutatása      | Szórás, Vonal, Facet, Kettős vonal |
+| Eloszlások bemutatása       | Szórás, Hisztogram, Doboz     |
+| Arányok bemutatása          | Kördiagram, Donut, Waffle     |
+
+> ✅ Az adatok összetételétől függően előfordulhat, hogy szöveges adatokat numerikussá kell alakítanod, hogy a diagram támogassa azokat.
+
+## Kerüld el a megtévesztést
+
+Még ha az adatelemző gondosan választja is ki a megfelelő diagramot az adatokhoz, számos módon lehet az adatokat úgy megjeleníteni, hogy azok egy bizonyos állítást támasszanak alá, gyakran az adatok hitelességének rovására. Számos példát találhatunk megtévesztő diagramokra és infografikákra!
+
+[![Hogyan hazudnak a diagramok - Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hu.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Hogyan hazudnak a diagramok")
+
+> 🎥 Kattints a fenti képre egy konferenciaelőadásért a megtévesztő diagramokról
+
+Ez a diagram megfordítja az X tengelyt, hogy az igazság ellentétét mutassa, az időpontok alapján:
+
+![rossz diagram 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hu.png)
+
+[Ez a diagram](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) még megtévesztőbb, mivel a szem a jobb oldalra fókuszál, és azt a következtetést vonja le, hogy az idő múlásával a COVID-esetek csökkentek a különböző megyékben. Valójában, ha alaposan megnézed a dátumokat, észreveszed, hogy azokat átrendezték, hogy megtévesztő csökkenő trendet mutassanak.
+
+![rossz diagram 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hu.jpg)
+
+Ez a hírhedt példa színeket ÉS egy megfordított Y tengelyt használ a megtévesztéshez: ahelyett, hogy azt a következtetést vonnánk le, hogy a fegyveres halálesetek megugrottak a fegyverbarát törvények elfogadása után, a szemünket megtévesztik, hogy az ellenkezőjét higgyük:
+
+![rossz diagram 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hu.jpg)
+
+Ez a furcsa diagram azt mutatja, hogyan lehet az arányokat manipulálni, komikus hatást keltve:
+
+![rossz diagram 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hu.jpg)
+
+Az összehasonlíthatatlan dolgok összehasonlítása egy másik árnyas trükk. Van egy [csodálatos weboldal](https://tylervigen.com/spurious-correlations), amely "hamis korrelációkat" mutat be, például a Maine-i válási arány és a margarin fogyasztása közötti "tényeket". Egy Reddit csoport is gyűjti az [adatok csúnya felhasználásait](https://www.reddit.com/r/dataisugly/top/?t=all).
+
+Fontos megérteni, hogy a szem milyen könnyen megtéveszthető a félrevezető diagramok által. Még ha az adatelemző szándéka jó is, egy rossz diagramtípus, például túl sok kategóriát bemutató kördiagram választása is megtévesztő lehet.
+
+## Színek
+
+A fent említett "Floridai fegyveres erőszak" diagramon láthattad, hogy a színek hogyan adhatnak további jelentést a diagramokhoz, különösen azokhoz, amelyeket nem olyan könyvtárakkal terveztek, mint a ggplot2 és az RColorBrewer, amelyek különböző ellenőrzött színkönyvtárakat és palettákat tartalmaznak. Ha kézzel készítesz diagramot, érdemes egy kicsit tanulmányozni a [színek elméletét](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Légy tudatában annak, hogy a diagramok tervezésekor az akadálymentesség fontos szempont. Néhány felhasználód színvak lehet - vajon a diagramod jól jelenik meg a látássérült felhasználók számára?
+
+Légy óvatos a színek kiválasztásakor, mivel a színek olyan jelentést közvetíthetnek, amelyet nem szándékoztál. A "pink ladies" a "magasság" diagramon például kifejezetten "nőies" jelentést hordoz, ami tovább növeli a diagram furcsaságát.
+
+Bár a [színek jelentése](https://colormatters.com/color-symbolism/the-meanings-of-colors) a világ különböző részein eltérő lehet, és árnyalatuktól függően változhat, általánosságban a színek jelentése a következő:
+
+| Szín   | Jelentés             |
+| ------ | ------------------- |
+| piros  | erő                 |
+| kék    | bizalom, hűség      |
+| sárga  | boldogság, óvatosság|
+| zöld   | ökológia, szerencse, irigység |
+| lila   | boldogság           |
+| narancs| életteliség         |
+
+Ha egyedi színekkel kell diagramot készítened, győződj meg róla, hogy a diagramjaid akadálymentesek, és a választott szín összhangban van az általad közvetíteni kívánt jelentéssel.
+
+## Diagramok formázása az olvashatóság érdekében
+
+A diagramok nem jelentőségteljesek, ha nem olvashatók! Szánj időt arra, hogy a diagram szélességét és magasságát úgy állítsd be, hogy az jól illeszkedjen az adatokhoz. Ha például egy változót (például az összes 50 államot) kell megjeleníteni, mutasd őket függőlegesen az Y tengelyen, ha lehetséges, hogy elkerüld a vízszintesen görgethető diagramot.
+
+Címkézd fel a tengelyeket, adj meg egy jelmagyarázatot, ha szükséges, és biztosíts eszköztippeket az adatok jobb megértéséhez.
+
+Ha az adataid szövegesek és hosszúak az X tengelyen, döntsd meg a szöveget az olvashatóság érdekében. A [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) 3D ábrázolást kínál, ha az adataid támogatják. Kifinomult adatvizualizációk készíthetők vele.
+
+![3D diagramok](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hu.png)
+
+## Animáció és 3D diagramok megjelenítése
+
+Napjaink legjobb adatvizualizációi közül néhány animált. Shirley Wu lenyűgöző példákat készített D3-mal, például a '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)'-t, ahol minden virág egy filmet ábrázol. Egy másik példa a Guardian számára készült 'bussed out', egy interaktív élmény, amely vizualizációkat kombinál Greensockkal és D3-mal, valamint egy görgethető cikkformátummal, hogy bemutassa, hogyan kezeli New York City a hajléktalanproblémát az emberek városon kívülre szállításával.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hu.png)
+
+> "Bussed Out: Hogyan mozgatja Amerika a hajléktalanjait" a [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) cikkéből. Vizualizációk: Nadieh Bremer & Shirley Wu
+
+Bár ez a lecke nem elég mély ahhoz, hogy megtanítsa ezeket az erőteljes vizualizációs könyvtárakat, próbáld ki a D3-at egy Vue.js alkalmazásban, egy könyvtár segítségével, amely a "Veszedelmes viszonyok" című könyvet animált társadalmi hálózatként ábrázolja.
+
+> A "Veszedelmes viszonyok" egy levélregény, vagyis levelek sorozataként bemutatott regény. Choderlos de Laclos 1782-ben írta, és a 18. század végi francia arisztokrácia két főszereplőjének, a Vicomte de Valmontnak és a Marquise de Merteuilnek az erkölcsileg romlott társadalmi manővereiről szól. Mindketten elbuknak a végén, de nem anélkül, hogy jelentős társadalmi károkat okoznának. A regény levelek sorozataként bontakozik ki, amelyeket különböző embereknek írnak a körükben, bosszút tervezve vagy egyszerűen csak bajt okozva. Készíts egy vizualizációt ezekről a levelekről, hogy vizuálisan felfedezd a narratíva főszereplőit.
+
+Egy webalkalmazást fogsz elkészíteni, amely animált nézetet jelenít meg erről a társadalmi hálózatról. Egy könyvtárat használ, amelyet egy [hálózat vizualizálására](https://github.com/emiliorizzo/vue-d3-network) hoztak létre Vue.js és D3 segítségével. Amikor az alkalmazás fut, az adatokat a képernyőn húzogatva átrendezheted.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hu.png)
+
+## Projekt: Hálózatot ábrázoló diagram készítése D3.js segítségével
+
+> Ebben a lecke mappában találsz egy `solution` mappát, amely tartalmazza a kész projektet referenciaként.
+
+1. Kövesd az utasításokat a README.md fájlban a kezdő mappa gyökerében. Győződj meg róla, hogy az NPM és a Node.js fut a gépeden, mielőtt telepíted a projekt függőségeit.
+
+2. Nyisd meg a `starter/src` mappát. Találsz egy `assets` mappát, amelyben egy .json fájl található az összes levéllel a regényből, számozva, "to" és "from" megjelöléssel.
+
+3. Egészítsd ki a `components/Nodes.vue` fájlban található kódot, hogy engedélyezd a vizualizációt. Keresd meg a `createLinks()` nevű metódust, és add hozzá a következő beágyazott ciklust.
+
+Iterálj végig a .json objektumon, hogy rögzítsd a levelek "to" és "from" adatait, és építsd fel a `links` objektumot, hogy a vizualizációs könyvtár fel tudja dolgozni:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Futtasd az alkalmazásodat a terminálból (npm run serve), és élvezd a vizualizációt!
+
+## 🚀 Kihívás
+
+Böngéssz az interneten, hogy megtévesztő vizualizációkat találj. Hogyan téveszti meg a szerző a felhasználót, és szándékos-e? Próbáld meg kijavítani a vizualizációkat, hogy megmutasd, hogyan kellene kinézniük.
+
+## [Utólagos kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Áttekintés és önálló tanulás
+
+Íme néhány cikk, amelyet érdemes elolvasni a megtévesztő adatvizualizációkról:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Tekintsd meg ezeket az érdekes vizualizációkat történelmi eszközökről és tárgyakról:
+
+https://handbook.pubpub.org/
+
+Nézd át ezt a cikket arról, hogyan javíthatja az animáció a vizualizációkat:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Feladat
+
+[Saját egyedi vizualizáció készítése](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/3-Data-Visualization/README.md b/translations/hu/3-Data-Visualization/README.md
new file mode 100644
index 00000000..fb99e120
--- /dev/null
+++ b/translations/hu/3-Data-Visualization/README.md
@@ -0,0 +1,43 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:41:01+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "hu"
+}
+-->
+# Vizualizációk
+
+![egy méh egy levendulavirágon](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hu.jpg)
+> Fotó: <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> az <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> oldalán
+
+
+Az adatok vizualizálása az egyik legfontosabb feladat egy adatelemző számára. Egy kép többet mond ezer szónál, és egy vizualizáció segíthet az adataidban rejlő érdekességek, például kiugró értékek, csoportosulások, tendenciák és egyéb mintázatok azonosításában, amelyek segítenek megérteni az adataid által elmesélt történetet.
+
+Ebben az öt leckében a természetből származó adatokat fogod felfedezni, és különböző technikák segítségével érdekes és gyönyörű vizualizációkat készítesz.
+
+| Téma száma | Téma | Kapcsolódó lecke | Szerző |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | Mennyiségek vizualizálása | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Eloszlások vizualizálása | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Arányok vizualizálása | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Kapcsolatok vizualizálása | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Jelentőségteljes vizualizációk készítése | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Köszönetnyilvánítás
+
+Ezeket a vizualizációs leckéket 🌸-val írták: [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) és [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Az Egyesült Államok méztermelésére vonatkozó adatok Jessica Li projektjéből származnak a [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) oldalán. Az [adatok](https://usda.library.cornell.edu/concern/publications/rn301137d) az [Egyesült Államok Mezőgazdasági Minisztériumától](https://www.nass.usda.gov/About_NASS/index.php) származnak.
+
+🍄 A gombákra vonatkozó adatok szintén a [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) oldaláról származnak, Hatteras Dunton által frissítve. Ez az adatbázis 23 fajta lemezes gomba hipotetikus mintáinak leírását tartalmazza az Agaricus és Lepiota családból. A gombák az Audubon Társaság Észak-Amerikai Gombák Mezőkalauzából (1981) származnak. Ezt az adatbázist 1987-ben adományozták az UCI ML 27-nek.
+
+🦆 A Minnesotai madarakra vonatkozó adatok a [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) oldaláról származnak, amelyeket Hannah Collins gyűjtött össze a [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) oldaláról.
+
+Minden adatbázis a [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) licenc alatt érhető el.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/hu/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..1a8d09c8
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:23:03+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "hu"
+}
+-->
+# Bevezetés az adattudomány életciklusába
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Bevezetés az adattudomány életciklusába - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+## [Előadás előtti kvíz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+Ezen a ponton valószínűleg már rájöttél, hogy az adattudomány egy folyamat. Ez a folyamat 5 szakaszra bontható:
+
+- Adatgyűjtés
+- Feldolgozás
+- Elemzés
+- Kommunikáció
+- Karbantartás
+
+Ez a lecke az életciklus 3 részére összpontosít: adatgyűjtés, feldolgozás és karbantartás.
+
+![Az adattudomány életciklusának diagramja](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hu.jpg)  
+> Fotó: [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Adatgyűjtés
+
+Az életciklus első szakasza rendkívül fontos, mivel a következő szakaszok erre épülnek. Gyakorlatilag két szakasz egyesítve: az adatok megszerzése és a célok, valamint a megoldandó problémák meghatározása.  
+A projekt céljainak meghatározása mélyebb kontextust igényel a problémával vagy kérdéssel kapcsolatban. Először meg kell határoznunk és meg kell szereznünk azokat, akiknek a problémáját meg kell oldani. Ezek lehetnek üzleti érdekelt felek vagy a projekt szponzorai, akik segíthetnek azonosítani, hogy ki vagy mi profitálhat a projektből, valamint hogy mire és miért van szükségük. Egy jól meghatározott cél mérhető és számszerűsíthető kell legyen, hogy elfogadható eredményt lehessen meghatározni.
+
+Kérdések, amelyeket egy adattudós feltehet:
+- Megközelítették már korábban ezt a problémát? Mit fedeztek fel?
+- Minden érintett érti a célt és a szándékot?
+- Van-e bizonytalanság, és hogyan lehet csökkenteni?
+- Milyen korlátok vannak?
+- Hogyan nézhet ki az eredmény?
+- Mennyi erőforrás (idő, emberi, számítási) áll rendelkezésre?
+
+Ezután az adatok azonosítása, összegyűjtése, majd végül feltárása következik, amelyek szükségesek a meghatározott célok eléréséhez. Az adatgyűjtés ezen lépésében az adattudósoknak értékelniük kell az adatok mennyiségét és minőségét is. Ez némi adatfeltárást igényel annak megerősítésére, hogy az összegyűjtött adatok támogatják-e a kívánt eredmény elérését.
+
+Kérdések, amelyeket egy adattudós feltehet az adatokkal kapcsolatban:
+- Milyen adatok állnak már rendelkezésemre?
+- Ki birtokolja ezeket az adatokat?
+- Milyen adatvédelmi aggályok vannak?
+- Elég adat áll rendelkezésre a probléma megoldásához?
+- Az adatok megfelelő minőségűek ehhez a problémához?
+- Ha további információkat fedezek fel az adatokból, érdemes-e megváltoztatni vagy újradefiniálni a célokat?
+
+## Feldolgozás
+
+Az életciklus feldolgozási szakasza az adatokban rejlő minták felfedezésére és modellezésére összpontosít. A feldolgozási szakaszban alkalmazott technikák közül néhány statisztikai módszereket igényel a minták feltárásához. Ez általában időigényes feladat lenne egy ember számára nagy adathalmaz esetén, ezért számítógépek végzik a nehéz munkát, hogy felgyorsítsák a folyamatot. Ebben a szakaszban az adattudomány és a gépi tanulás is találkozik. Ahogy az első leckében tanultad, a gépi tanulás a modellek építésének folyamata az adatok megértéséhez. A modellek az adatokban lévő változók közötti kapcsolatot reprezentálják, amelyek segítenek az eredmények előrejelzésében.
+
+A szakaszban alkalmazott gyakori technikák az ML kezdőknek szóló tananyagban találhatók. Kövesd a linkeket, hogy többet megtudj róluk:
+
+- [Osztályozás](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Az adatok kategóriákba rendezése a hatékonyabb felhasználás érdekében.
+- [Klaszterezés](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Az adatok hasonló csoportokba rendezése.
+- [Regresszió](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): A változók közötti kapcsolatok meghatározása az értékek előrejelzéséhez vagy becsléséhez.
+
+## Karbantartás
+
+Az életciklus diagramján látható, hogy a karbantartás az adatgyűjtés és feldolgozás között helyezkedik el. A karbantartás egy folyamatos folyamat, amely az adatok kezelését, tárolását és védelmét foglalja magában a projekt teljes folyamata során, és ezt a projekt egészében figyelembe kell venni.
+
+### Adatok tárolása
+
+Az adatok tárolásának módja és helye befolyásolhatja a tárolás költségeit, valamint az adatok elérésének sebességét. Az ilyen döntéseket valószínűleg nem egy adattudós hozza meg egyedül, de előfordulhat, hogy választásokat kell tennie az adatokkal való munka során, a tárolás módja alapján.
+
+Íme néhány modern adat-tárolási rendszer szempontja, amelyek befolyásolhatják ezeket a döntéseket:
+
+**Helyszíni vs távoli vs nyilvános vagy privát felhő**
+
+A helyszíni tárolás azt jelenti, hogy az adatokat saját eszközökön tároljuk, például saját szerveren, amely merevlemezekkel tárolja az adatokat, míg a távoli tárolás olyan eszközökre támaszkodik, amelyeket nem birtoklunk, például adatközpontokra. A nyilvános felhő népszerű választás az adatok tárolására, amely nem igényel ismereteket arról, hogy pontosan hol és hogyan tárolják az adatokat, ahol a nyilvános felhő egy egységes infrastruktúrát jelent, amelyet minden felhasználó megoszt. Egyes szervezetek szigorú biztonsági szabályzatokkal rendelkeznek, amelyek megkövetelik, hogy teljes hozzáférésük legyen az adatok tárolására használt eszközökhöz, és privát felhőt használnak, amely saját felhőszolgáltatásokat biztosít. A felhőben történő adattárolásról többet megtudhatsz a [későbbi leckékben](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Hideg vs forró adatok**
+
+Amikor modelleket tanítasz, előfordulhat, hogy több tanító adatra van szükséged. Ha elégedett vagy a modelleddel, további adatok érkezhetnek, hogy a modell betöltse célját. Mindenesetre az adatok tárolásának és elérésének költsége növekedni fog, ahogy egyre több adatot halmozol fel. A ritkán használt adatok, az úgynevezett hideg adatok elkülönítése a gyakran elért forró adatoktól olcsóbb tárolási lehetőséget kínálhat hardveres vagy szoftveres szolgáltatások révén. Ha hideg adatokat kell elérni, az valamivel hosszabb időt vehet igénybe, mint a forró adatok elérése.
+
+### Adatok kezelése
+
+Az adatokkal való munka során előfordulhat, hogy néhány adatot tisztítani kell a [adatelőkészítésről szóló lecke](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) technikáinak alkalmazásával, hogy pontos modelleket építsünk. Amikor új adatok érkeznek, ugyanazokat az alkalmazásokat kell használni a minőség következetességének fenntartása érdekében. Egyes projektek automatizált eszközöket használnak az adatok tisztítására, aggregálására és tömörítésére, mielőtt az adatok végleges helyükre kerülnek. Az Azure Data Factory egy példa ezekre az eszközökre.
+
+### Adatok védelme
+
+Az adatok védelmének egyik fő célja annak biztosítása, hogy azok, akik az adatokkal dolgoznak, ellenőrzésük alatt tartsák, hogy mit gyűjtenek, és milyen kontextusban használják fel azokat. Az adatok biztonságban tartása magában foglalja az adatokhoz való hozzáférés korlátozását csak azok számára, akiknek szükségük van rá, a helyi törvények és szabályozások betartását, valamint az etikai normák fenntartását, ahogy azt az [etikai leckében](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics) tárgyaltuk.
+
+Íme néhány dolog, amit egy csapat tehet a biztonság érdekében:
+- Megerősíti, hogy minden adat titkosított
+- Tájékoztatja az ügyfeleket arról, hogyan használják fel az adataikat
+- Eltávolítja az adatokhoz való hozzáférést azoktól, akik elhagyták a projektet
+- Csak bizonyos projekt tagoknak engedi meg az adatok módosítását
+
+## 🚀 Kihívás
+
+Az adattudomány életciklusának számos változata létezik, ahol minden lépésnek eltérő neve és szakaszainak száma lehet, de ugyanazokat a folyamatokat tartalmazza, mint amit ebben a leckében tárgyaltunk.
+
+Fedezd fel a [Team Data Science Process életciklust](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) és a [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/) folyamatot. Nevezz meg 3 hasonlóságot és különbséget a kettő között.
+
+|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
+|--|--|
+|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hu.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hu.png) |
+| Kép: [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Kép: [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Előadás utáni kvíz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Áttekintés és önálló tanulás
+
+Az adattudomány életciklusának alkalmazása több szerepet és feladatot foglal magában, ahol egyesek az egyes szakaszok bizonyos részeire összpontosítanak. A Team Data Science Process néhány olyan forrást biztosít, amelyek elmagyarázzák, hogy valaki milyen szerepeket és feladatokat láthat el egy projektben.
+
+* [Team Data Science Process szerepek és feladatok](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)  
+* [Adattudományi feladatok végrehajtása: feltárás, modellezés és telepítés](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Feladat
+
+[Adatkészlet értékelése](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/hu/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..7fafc311
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:27:37+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Adatállomány értékelése
+
+Egy ügyfél megkereste a csapatot, hogy segítsen a New York-i taxi utasok szezonális költési szokásainak vizsgálatában.
+
+A kérdésük: **Többet adnak-e borravalót a New York-i sárga taxi utasok télen vagy nyáron?**
+
+A csapat a Data Science Lifecycle [Rögzítés](Readme.md#Capturing) szakaszában van, és Ön felelős az adatállomány kezeléséért. Egy jegyzetfüzetet és [adatokat](../../../../data/taxi.csv) kapott az elemzéshez.
+
+Ebben a könyvtárban található egy [jegyzetfüzet](notebook.ipynb), amely Python segítségével tölti be a sárga taxi utazási adatait a [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) oldaláról. Az adatok szövegszerkesztőben vagy táblázatkezelő szoftverben, például Excelben is megnyithatók.
+
+## Útmutató
+
+- Értékelje, hogy az adatállományban található adatok segíthetnek-e a kérdés megválaszolásában.
+- Fedezze fel az [NYC Open Data katalógust](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Azonosítson egy további adatállományt, amely potenciálisan segíthet az ügyfél kérdésének megválaszolásában.
+- Írjon 3 kérdést, amelyet az ügyfélnek feltenne a probléma pontosabb megértése érdekében.
+
+További információért tekintse meg az [adatállomány szótárát](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) és a [felhasználói útmutatót](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf).
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/hu/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..395e7030
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,60 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:29:07+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "hu"
+}
+-->
+# Az adattudomány életciklusa: Elemzés
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Az adattudomány életciklusa: Elemzés - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## Előadás előtti kvíz
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Az adatok életciklusában az elemzés megerősíti, hogy az adatok képesek megválaszolni a feltett kérdéseket vagy megoldani egy adott problémát. Ez a lépés arra is összpontosíthat, hogy megerősítse, hogy egy modell helyesen kezeli-e ezeket a kérdéseket és problémákat. Ez a lecke az Exploratory Data Analysis (EDA), azaz a feltáró adatelemzés technikáira összpontosít, amelyek segítenek meghatározni az adatok jellemzőit és kapcsolatait, valamint előkészíteni az adatokat a modellezéshez.
+
+Egy példaként szolgáló adatállományt fogunk használni a [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) oldalról, hogy bemutassuk, hogyan alkalmazható mindez Python és a Pandas könyvtár segítségével. Ez az adatállomány néhány gyakori szó előfordulását tartalmazza e-mailekben, az e-mailek forrásai anonimak. Használja a [notebookot](notebook.ipynb) ebben a könyvtárban, hogy kövesse a példát.
+
+## Feltáró adatelemzés
+
+Az életciklus adatgyűjtési szakaszában történik az adatok megszerzése, valamint a problémák és kérdések meghatározása, de honnan tudhatjuk, hogy az adatok támogatják-e a kívánt eredményt? 
+Emlékezzünk, hogy egy adatelemző a következő kérdéseket teheti fel, amikor adatokat szerez:
+-   Van elég adat a probléma megoldásához?
+-   Az adatok megfelelő minőségűek ehhez a problémához?
+-   Ha további információkat fedezek fel az adatokon keresztül, érdemes-e megváltoztatni vagy újradefiniálni a célokat?
+A feltáró adatelemzés az adatok megismerésének folyamata, amely segíthet megválaszolni ezeket a kérdéseket, valamint azonosítani az adatállománnyal való munka kihívásait. Nézzük meg néhány technikát, amelyekkel ezt elérhetjük.
+
+## Adatprofilozás, leíró statisztikák és Pandas
+Hogyan értékelhetjük, hogy van-e elég adat a probléma megoldásához? Az adatprofilozás összefoglalhatja és általános információkat gyűjthet az adatállományunkról a leíró statisztikák technikáin keresztül. Az adatprofilozás segít megérteni, hogy mi áll rendelkezésünkre, míg a leíró statisztikák segítenek megérteni, hogy mennyi áll rendelkezésünkre.
+
+Az előző leckék néhány részében használtuk a Pandas [`describe()` függvényét](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html), amely megadja a darabszámot, maximum és minimum értékeket, átlagot, szórást és kvantiliseket a numerikus adatokon. Az olyan leíró statisztikák, mint a `describe()` függvény, segíthetnek felmérni, hogy mennyi adatunk van, és szükségünk van-e többre.
+
+## Mintavétel és lekérdezés
+Egy nagy adatállomány teljes körű feltárása nagyon időigényes lehet, és általában számítógépre bízzák. Azonban a mintavétel hasznos eszköz az adatok megértéséhez, és lehetővé teszi, hogy jobban megértsük, mi van az adatállományban és mit képvisel. Egy mintával valószínűségi és statisztikai módszereket alkalmazhatunk, hogy általános következtetéseket vonjunk le az adatainkról. Bár nincs meghatározott szabály arra, hogy mennyi adatot kell mintavételezni, fontos megjegyezni, hogy minél több adatot mintavételezünk, annál pontosabb általánosítást tudunk tenni az adatokkal kapcsolatban. 
+A Pandas [`sample()` függvénye](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) lehetővé teszi, hogy megadjuk, hány véletlenszerű mintát szeretnénk kapni és használni.
+
+Az adatok általános lekérdezése segíthet megválaszolni néhány általános kérdést és elméletet, amelyek felmerülhetnek. A mintavétellel ellentétben a lekérdezések lehetővé teszik, hogy irányítást gyakoroljunk és konkrét részekre összpontosítsunk az adatokban, amelyekkel kapcsolatban kérdéseink vannak. 
+A Pandas [`query()` függvénye](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) lehetővé teszi, hogy oszlopokat válasszunk ki, és egyszerű válaszokat kapjunk az adatokból a lekért sorokon keresztül.
+
+## Feltárás vizualizációkkal
+Nem kell megvárni, amíg az adatok teljesen megtisztítottak és elemzettek, hogy elkezdjünk vizualizációkat készíteni. Valójában a vizuális ábrázolás már a feltárás során segíthet azonosítani mintázatokat, kapcsolatokat és problémákat az adatokban. Továbbá, a vizualizációk lehetőséget nyújtanak arra, hogy kommunikáljunk azokkal, akik nem vesznek részt az adatok kezelésében, és alkalmat adhatnak további kérdések megosztására és tisztázására, amelyeket az adatgyűjtési szakaszban nem tárgyaltunk. Tekintse meg a [Vizualizációk szekciót](../../../../../../../../../3-Data-Visualization), hogy többet megtudjon néhány népszerű vizuális feltárási módszerről.
+
+## Feltárás az inkonzisztenciák azonosítására
+A lecke minden témája segíthet azonosítani hiányzó vagy inkonzisztens értékeket, de a Pandas biztosít funkciókat ezek ellenőrzésére. Az [isna() vagy isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) ellenőrizheti a hiányzó értékeket. Az adatokban található hiányzó értékek feltárásának egyik fontos része annak megértése, hogy miért kerültek oda. Ez segíthet eldönteni, hogy milyen [lépéseket tegyünk ezek megoldására](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Feladat
+
+[Válaszok keresése](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/hu/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..a40d0f51
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:31:21+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Válaszok keresése
+
+Ez a korábbi leckében található [feladat](../14-Introduction/assignment.md) folytatása, ahol röviden megvizsgáltuk az adatállományt. Most mélyebben fogjuk elemezni az adatokat.
+
+Ismételten, a kérdés, amelyre az ügyfél választ szeretne kapni: **New York-i sárga taxik utasai télen vagy nyáron adnak-e nagyobb borravalót a sofőröknek?**
+
+A csapatotok a Data Science Lifecycle [Elemzés](README.md) szakaszában van, ahol az adatállomány feltáró elemzéséért vagytok felelősek. Egy jegyzetfüzetet és egy adatállományt kaptatok, amely 2019 januárjából és júliusából származó 200 taxi tranzakciót tartalmaz.
+
+## Útmutató
+
+Ebben a könyvtárban található egy [jegyzetfüzet](assignment.ipynb) és adatok a [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) oldaláról. További információért az adatokkal kapcsolatban tekintsd meg az [adatállomány szótárát](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) és a [felhasználói útmutatót](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf).
+
+Használd a leckében bemutatott technikák egy részét, hogy saját EDA-t végezz a jegyzetfüzetben (hozzáadhatsz cellákat, ha szeretnéd), és válaszolj az alábbi kérdésekre:
+
+- Milyen egyéb tényezők befolyásolhatják az adatban a borravaló összegét?
+- Mely oszlopokra valószínűleg nem lesz szükség az ügyfél kérdésének megválaszolásához?
+- Az eddig rendelkezésre álló adatok alapján van-e bármilyen bizonyíték szezonális borravalózási szokásokra?
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | ---
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/16-communication/README.md b/translations/hu/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..efcdd429
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,214 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:33:37+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "hu"
+}
+-->
+# Adatelemzési életciklus: Kommunikáció
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Adatelemzési életciklus: Kommunikáció - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Tedd próbára a tudásodat az előadás előtti kvízzel!
+
+# Bevezetés
+
+### Mi a kommunikáció?
+Kezdjük az órát azzal, hogy meghatározzuk, mit is jelent kommunikálni. **Kommunikálni annyit tesz, mint információt közvetíteni vagy cserélni.** Az információ lehet ötlet, gondolat, érzés, üzenet, rejtett jelzés, adat – bármi, amit egy **_küldő_** (az információt küldő személy) szeretne, hogy egy **_fogadó_** (az információt fogadó személy) megértsen. Ebben az órában a küldőket kommunikátoroknak, a fogadókat pedig közönségnek nevezzük.
+
+### Adatkommunikáció és történetmesélés
+Megértjük, hogy a kommunikáció célja az információ közvetítése vagy cseréje. Azonban amikor adatokat kommunikálunk, a cél nem csupán az, hogy számokat adjunk át a közönségnek. A cél az, hogy egy történetet közvetítsünk, amelyet az adataink támasztanak alá – a hatékony adatkommunikáció és történetmesélés kéz a kézben jár. A közönség sokkal valószínűbb, hogy emlékezni fog egy történetre, amit elmesélsz, mint egy számra, amit megadsz. Később az órán néhány módszert is megvizsgálunk, amelyekkel hatékonyabban kommunikálhatod az adataidat történetmesélés segítségével.
+
+### Kommunikáció típusai
+Az óra során két különböző kommunikációs típust tárgyalunk: az egyirányú kommunikációt és a kétirányú kommunikációt.
+
+**Az egyirányú kommunikáció** akkor történik, amikor a küldő információt küld a fogadónak, anélkül hogy visszajelzést vagy választ kapna. Az egyirányú kommunikáció példáival nap mint nap találkozunk – tömeges e-mailekben, amikor a hírek közlik a legfrissebb eseményeket, vagy akár egy televíziós reklám során, amely elmagyarázza, miért nagyszerű az adott termék. Ezekben az esetekben a küldő nem információcserére törekszik, hanem csupán az információ közvetítésére.
+
+**A kétirányú kommunikáció** akkor történik, amikor minden érintett fél egyszerre küldőként és fogadóként is működik. A küldő elkezdi a kommunikációt a fogadóval, aki visszajelzést vagy választ ad. A kétirányú kommunikáció az, amire hagyományosan gondolunk, amikor a kommunikációról beszélünk. Általában egy beszélgetésre gondolunk – akár személyesen, akár telefonon, közösségi médián vagy szöveges üzenetben.
+
+Amikor adatokat kommunikálsz, lesznek olyan esetek, amikor egyirányú kommunikációt használsz (például egy konferencián való előadáskor, vagy egy nagyobb csoport előtt, ahol közvetlen kérdéseket nem tesznek fel azonnal), és lesznek olyan esetek, amikor kétirányú kommunikációt alkalmazol (például amikor adatokat használsz arra, hogy meggyőzz néhány érintettet egy projekt támogatásáról, vagy hogy meggyőzz egy csapattagot arról, hogy érdemes időt és energiát fordítani valami új létrehozására).
+
+# Hatékony kommunikáció
+
+### A kommunikátor felelősségei
+Kommunikáció során a te feladatod biztosítani, hogy a fogadó(k) azt az információt vigyék magukkal, amit szeretnél. Amikor adatokat kommunikálsz, nem csupán azt szeretnéd, hogy a fogadók számokat jegyezzenek meg, hanem azt, hogy egy történetet vigyenek magukkal, amelyet az adataid támasztanak alá. Egy jó adatkommunikátor egyben jó történetmesélő is.
+
+Hogyan mesélj el egy történetet adatokkal? Végtelen módon – de az alábbiakban 6 stratégiát tárgyalunk, amelyekről ebben az órában lesz szó:
+1. Ismerd meg a közönségedet, a csatornádat és a kommunikációs módszeredet
+2. Kezdd a végcéllal
+3. Közelítsd meg úgy, mint egy valódi történetet
+4. Használj jelentőségteljes szavakat és kifejezéseket
+5. Használj érzelmeket
+
+Az alábbiakban mindegyik stratégiát részletesebben is kifejtjük.
+
+### 1. Ismerd meg a közönségedet, a csatornádat és a kommunikációs módszeredet
+Ahogyan valószínűleg másképp kommunikálsz a családtagjaiddal, mint a barátaiddal, úgy az adatkommunikáció során is figyelembe kell venned, hogy kivel beszélsz. Gondolj arra, hogy kik a közönséged tagjai, mik a céljaik, és milyen kontextusuk van az általad bemutatott helyzethez.
+
+A közönségedet valószínűleg kategóriákba sorolhatod. A _Harvard Business Review_ cikkében, "[Hogyan mesélj el egy történetet adatokkal](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)," Jim Stikeleather, a Dell stratégiai tanácsadója öt közönségkategóriát azonosít:
+
+- **Kezdő**: első találkozás a témával, de nem igényel túlzott leegyszerűsítést
+- **Általános érdeklődő**: tisztában van a témával, de áttekintő megértést és főbb témákat keres
+- **Vezetői szintű**: mélyebb, cselekvésre alkalmas megértést keres az összefüggésekről és részletekről
+- **Szakértő**: nagyobb felfedezést és részletezést igényel, kevesebb történetmeséléssel
+- **Vezető**: csak az eredmények és a következtetések lényegét szeretné megérteni
+
+Ezek a kategóriák segíthetnek abban, hogy hogyan mutasd be az adatokat a közönségednek.
+
+A közönség kategóriájának figyelembevétele mellett gondolj arra is, hogy milyen csatornát használsz a kommunikációhoz. Más megközelítést igényel egy e-mail vagy feljegyzés írása, mint egy értekezlet vagy konferencia előadása.
+
+Ezen túlmenően az is kritikus, hogy tudd, egyirányú vagy kétirányú kommunikációt fogsz-e használni.
+
+Ha például egy kezdő közönséggel kommunikálsz egyirányú módon, először oktatnod kell őket, és megfelelő kontextust kell biztosítanod. Ezután bemutathatod az adataidat, elmagyarázva, hogy mit jelentenek, és miért fontosak. Ebben az esetben a világosságra kell összpontosítanod, mivel a közönséged nem tud közvetlen kérdéseket feltenni.
+
+Ha viszont egy vezetői szintű közönséggel kommunikálsz kétirányú módon, valószínűleg nem kell oktatnod őket vagy sok kontextust biztosítanod. Azonnal belekezdhetsz az adatok bemutatásába és azok jelentőségének megvitatásába. Ebben az esetben azonban az időzítésre és az előadásod irányítására kell összpontosítanod. Kétirányú kommunikáció során (különösen egy vezetői közönséggel, akik "cselekvésre alkalmas megértést" keresnek) előfordulhatnak kérdések, amelyek eltéríthetik a beszélgetést az általad elmesélni kívánt történettől. Ilyenkor lépéseket tehetsz, hogy visszatereld a beszélgetést a történetedhez.
+
+### 2. Kezdd a végcéllal
+A végcéllal való kezdés azt jelenti, hogy már a kommunikáció megkezdése előtt tisztában vagy azzal, milyen üzenetet szeretnél, hogy a közönséged magával vigyen. Ha előre átgondolod, mit szeretnél, hogy a közönséged megértsen, az segíthet egy követhető történet kialakításában. Ez a megközelítés egyaránt alkalmazható egyirányú és kétirányú kommunikáció esetén.
+
+Hogyan kezdj a végcéllal? Mielőtt kommunikálnád az adataidat, írd le a kulcsfontosságú üzeneteidet. Ezután, miközben felkészülsz az általad elmesélni kívánt történetre, minden lépésnél tedd fel magadnak a kérdést: "Hogyan illeszkedik ez a történetembe?"
+
+Légy tudatában – Bár a végcéllal való kezdés ideális, nem szabad csak azokat az adatokat kommunikálnod, amelyek alátámasztják az üzenetedet. Ez az úgynevezett "cseresznyeválogatás", amikor a kommunikátor csak azokat az adatokat közli, amelyek alátámasztják az álláspontját, és figyelmen kívül hagy minden mást.
+
+Ha az összegyűjtött adatok egyértelműen alátámasztják az üzenetedet, az nagyszerű. De ha vannak olyan adatok, amelyek nem támasztják alá az üzenetedet, vagy akár ellentmondanak annak, akkor ezeket is közölnöd kell. Ilyen esetben légy őszinte a közönségeddel, és magyarázd el, miért ragaszkodsz a történetedhez, még akkor is, ha nem minden adat támasztja alá.
+
+### 3. Közelítsd meg úgy, mint egy valódi történetet
+Egy hagyományos történet 5 fázisban bontakozik ki. Ezeket a fázisokat talán már hallottad így: Bevezetés, Bonyodalom, Tetőpont, Lezárás, Befejezés. Vagy egyszerűbben: Kontextus, Konfliktus, Tetőpont, Megoldás, Következtetés. Az adataid és történeted kommunikálásakor hasonló megközelítést alkalmazhatsz.
+
+Kezdheted a kontextussal, megteremtve az alapot, és biztosítva, hogy a közönséged ugyanazon az oldalon álljon. Ezután bemutathatod a konfliktust. Miért volt szükség az adatok összegyűjtésére? Milyen problémákat próbáltál megoldani? Ezután jön a tetőpont. Mik az adatok? Mit jelentenek az adatok? Milyen megoldásokat javasolnak az adatok? Ezután következik a lezárás, ahol újra hangsúlyozhatod a problémát és a javasolt megoldásokat. Végül elérkezünk a következtetéshez, ahol összefoglalhatod a kulcsfontosságú üzeneteket és az általad javasolt következő lépéseket.
+
+### 4. Használj jelentőségteljes szavakat és kifejezéseket
+Ha például azt mondanám neked, hogy "A felhasználóink sok időt töltenek a platformunkra való regisztrációval," mennyi időre gondolnál? Egy órára? Egy hétre? Nehéz megmondani. Mi lenne, ha ezt egy egész közönségnek mondanám? Mindenki másképp értelmezhetné, hogy mennyi időt jelent a "sok idő."
+
+Ehelyett, mi lenne, ha azt mondanám: "A felhasználóink átlagosan 3 percet töltenek a platformunkra való regisztrációval."
+
+Ez az üzenet sokkal világosabb. Adatok kommunikálásakor könnyű azt feltételezni, hogy a közönséged ugyanúgy gondolkodik, mint te. De ez nem mindig van így. Az adatok és azok jelentésének tisztázása az egyik legfontosabb feladatod kommunikátorként. Ha az adatok vagy a történeted nem világosak, a közönséged nehezen fogja követni, és kevésbé valószínű, hogy megérti a kulcsfontosságú üzeneteidet.
+
+Az adatok világosabb kommunikációja érdekében használj jelentőségteljes szavakat és kifejezéseket a homályosak helyett. Az alábbiakban néhány példa található:
+
+- Nagyszerű évünk volt!
+  - Egyesek szerint a "nagyszerű" 2%-3%-os bevételnövekedést jelenthet, míg mások szerint 50%-60%-os növekedést.
+- Felhasználóink sikerességi aránya *drámaian* nőtt.
+  - Mekkora növekedés számít drámainak?
+- Ez a projekt *jelentős* erőfeszítést igényel.
+  - Mennyi erőfeszítés számít jelentősnek?
+
+A homályos szavak hasznosak lehetnek egy adatbemutatás bevezetőjeként vagy összefoglalásaként, de gondoskodj arról, hogy az előadásod minden része világos legyen a közönséged számára.
+
+### 5. Használj érzelmeket
+Az érzelem kulcsfontosságú a történetmesélésben. Ez még fontosabb, amikor adatokat mesélsz el. Az adatkommunikáció során minden az általad kívánt üzenetek körül forog. Ha érzelmeket váltasz ki a közönségedből, az segíti az empátiát, és növeli annak valószínűségét, hogy cselekedni fognak. Az érzelem szintén növeli annak esélyét, hogy a közönséged emlékezni fog az üzenetedre.
+
+Ezt talán már tapasztaltad televíziós reklámokban. Egyes reklámok nagyon szomorúak, és szomorú érzelmeket használnak, hogy kapcsolatot teremtsenek a közönséggel, és kiemeljék az általuk bemutatott adatokat. Más reklámok vidámak és boldogak, és azt szeretnék, hogy az adataikat boldog érzésekkel társítsd.
+
+Hogyan használj érzelmeket az adatok kommunikálásakor? Az alábbiakban néhány módszert találsz:
+
+- Használj személyes történeteket és visszajelzéseket
+  - Adatgyűjtéskor próbálj meg mind kvantitatív, mind kvalitatív adatokat gyűjteni, és integráld mindkét típust a kommunikáció során. Ha az adataid főként kvantitatívak, keress történeteket egyénektől, hogy többet megtudj az általad bemutatott adatok mögötti tapasztalatokról.
+- Használj képeket
+  - A képek segítenek a közönségnek elképzelni magukat egy adott helyzetben. Ha képeket használsz, irányíthatod a közönséged érzelmeit az általad kívánt irányba.
+- Használj színeket
+  - A különböző színek különböző érzelmeket váltanak ki. Az alábbiakban néhány népszerű szín és az általuk kiváltott érzelmek találhatók. Légy tudatában annak, hogy a színek különböző kultúrákban eltérő jelentéssel bírhatnak.
+    - A kék általában a békét és a bizalmat sugallja
+    - A zöld általában a természethez és a környezethez kapcsolódik
+    - A piros általában a szenvedélyt és az izgalmat jelképezi
+    - A sárga általában az optimizmust és a boldogságot közvetíti
+
+# Kommunikációs esettanulmány
+Emerson egy mobilalkalmazás termékmenedzsere. Emerson észrevette, hogy az ügyfelek 42%-kal több panaszt és hibajelentést nyújtanak be hétvégén. Emerson azt is észrevette, hogy azok az ügyfelek, akiknek a panaszát 48 órán belül nem válaszolják meg, 32
+A megbeszélésen Emerson 5 percet töltött azzal, hogy elmagyarázza, miért rossz, ha az alkalmazásunk értékelése alacsony az áruházban, 10 percet a kutatási folyamatról és az azonosított trendekről beszélt, 10 percet a legutóbbi ügyfélpanaszok áttekintésével töltött, és az utolsó 5 percben gyorsan átfutott a két lehetséges megoldáson.
+
+Hatékony módja volt ez Emerson számára, hogy kommunikáljon a megbeszélés során?
+
+A megbeszélésen az egyik cégvezető teljesen a 10 perces ügyfélpanaszokra koncentrált, amelyeket Emerson bemutatott. A megbeszélés után ezek a panaszok voltak az egyetlenek, amikre ez a vezető emlékezett. Egy másik cégvezető főként Emerson kutatási folyamatának leírására összpontosított. A harmadik cégvezető emlékezett ugyan az Emerson által javasolt megoldásokra, de nem volt biztos abban, hogyan lehetne ezeket a megoldásokat megvalósítani.
+
+A fenti helyzetben látható, hogy jelentős eltérés volt aközött, amit Emerson szeretett volna, hogy a cégvezetők megértsenek, és aközött, amit végül elvittek magukkal a megbeszélésről. Az alábbiakban egy másik megközelítést mutatunk be, amelyet Emerson fontolóra vehet.
+
+Hogyan javíthatna Emerson ezen a megközelítésen?  
+Környezet, Konfliktus, Tetőpont, Lezárás, Konklúzió  
+**Környezet** - Emerson az első 5 percet azzal tölthetné, hogy bemutatja az egész helyzetet, és megbizonyosodik arról, hogy a cégvezetők megértik, hogyan hatnak a problémák a vállalat kritikus mutatóira, például a bevételre.
+
+Ez így nézhetne ki: "Jelenleg az alkalmazásunk értékelése az áruházban 2,5. Az áruházbeli értékelések kulcsfontosságúak az App Store optimalizáció szempontjából, amely befolyásolja, hány felhasználó látja az alkalmazásunkat a keresés során, és hogyan tekintenek rá a potenciális felhasználók. És természetesen, a felhasználók száma közvetlenül kapcsolódik a bevételhez."
+
+**Konfliktus** Emerson ezután körülbelül 5 percet tölthetne a konfliktus bemutatásával.
+
+Ez így hangozhatna: „A felhasználók 42%-kal több panaszt és hibajelentést küldenek be hétvégén. Azok az ügyfelek, akik panaszt nyújtanak be, és 48 órán belül nem kapnak választ, 32%-kal kisebb valószínűséggel adnak 2-nél magasabb értékelést az alkalmazásunknak az áruházban. Ha az alkalmazásunk értékelését 4-re javítanánk az áruházban, az 20-30%-kal növelné a láthatóságot, ami szerintem 10%-os bevételnövekedést eredményezne." Természetesen Emersonnak készen kell állnia arra, hogy igazolja ezeket a számokat.
+
+**Tetőpont** Miután lefektette az alapokat, Emerson körülbelül 5 percet tölthetne a tetőponttal.
+
+Emerson bemutathatná a javasolt megoldásokat, kifejthetné, hogyan kezelik ezek a megoldások a felvázolt problémákat, hogyan lehetne ezeket a megoldásokat beilleszteni a meglévő munkafolyamatokba, mennyibe kerülnének, milyen megtérülést hoznának, és akár képernyőképeket vagy drótvázakat is mutathatna arról, hogyan néznének ki a megoldások, ha megvalósítanák őket. Emerson megoszthatna olyan felhasználói véleményeket is, akiknek több mint 48 órát kellett várniuk a panaszuk kezelésére, valamint egy jelenlegi ügyfélszolgálati munkatárs véleményét a vállalat jelenlegi jegykezelő rendszeréről.
+
+**Lezárás** Most Emerson 5 percet tölthetne azzal, hogy újra összefoglalja a vállalat által tapasztalt problémákat, ismételten áttekinti a javasolt megoldásokat, és elmagyarázza, miért ezek a megfelelő megoldások.
+
+**Konklúzió** Mivel ez egy néhány érintett részvételével zajló megbeszélés, ahol kétirányú kommunikációra van lehetőség, Emerson 10 percet hagyhatna kérdésekre, hogy megbizonyosodjon arról, hogy a cégvezetők számára minden érthető, mielőtt a megbeszélés véget ér.
+
+Ha Emerson a 2. megközelítést alkalmazná, sokkal valószínűbb, hogy a cégvezetők pontosan azt viszik magukkal a megbeszélésről, amit Emerson szeretne – hogy a panaszok és hibák kezelése javítható lenne, és van két megoldás, amelyeket be lehetne vezetni ennek érdekében. Ez a megközelítés sokkal hatékonyabb lenne Emerson számára, hogy kommunikálja az adatokat és a történetet, amelyet szeretne átadni.  
+
+# Konklúzió  
+### A főbb pontok összefoglalása  
+- A kommunikáció célja az információ átadása vagy cseréje.  
+- Amikor adatokat kommunikálunk, nem az a cél, hogy egyszerűen számokat adjunk át a közönségnek. A cél az, hogy egy történetet meséljünk el, amelyet az adatok támasztanak alá.  
+- A kommunikációnak két típusa van: Egyirányú kommunikáció (az információ átadása válasz szándéka nélkül) és Kétirányú kommunikáció (az információ oda-vissza áramlik).  
+- Számos stratégia létezik az adatokkal való történetmeséléshez, az általunk tárgyalt 5 stratégia:  
+  - Ismerd meg a közönségedet, a médiumot és a kommunikációs módszert  
+  - Kezdd a végcéllal  
+  - Közelítsd meg úgy, mint egy valódi történetet  
+  - Használj jelentőségteljes szavakat és kifejezéseket  
+  - Használj érzelmeket  
+
+### Ajánlott önálló tanulási források  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Utólagos előadás kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Ellenőrizd, mit tanultál az előadás utáni kvíz segítségével!  
+
+## Feladat  
+
+[Piackutatás](assignment.md)  
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/hu/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..d04a9e13
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:40:03+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Mesélj egy történetet
+
+## Útmutató
+
+Az adattudomány a történetmesélésről szól. Válassz ki egy tetszőleges adathalmazt, és írj egy rövid dolgozatot arról, milyen történetet tudnál elmesélni róla. Mit remélsz, hogy az adathalmazod feltárhat? Mit teszel, ha a felfedezései problémásnak bizonyulnak? Mi van, ha az adataid nem könnyen fedik fel titkaikat? Gondold át, milyen forgatókönyveket mutathat az adathalmazod, és írd le őket.
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+
+Egyoldalas esszé .doc formátumban, amelyben az adathalmaz bemutatásra, dokumentálásra és hitelesítésre kerül, valamint egy koherens történet kerül elmesélésre részletes példákkal az adatokból.| Rövidebb esszé, kevésbé részletes formátumban | Az esszé hiányos a fent említett részletek valamelyikében.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/4-Data-Science-Lifecycle/README.md b/translations/hu/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..7469cd4e
--- /dev/null
+++ b/translations/hu/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:20:42+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "hu"
+}
+-->
+# Az Adattudomány Életciklusa
+
+![kommunikáció](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hu.jpg)
+> Fotó: <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> az <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> oldalán
+  
+Ezekben a leckékben az Adattudomány életciklusának néhány aspektusát fogod megismerni, beleértve az adatok elemzését és a kommunikációt.
+
+### Témák
+
+1. [Bevezetés](14-Introduction/README.md)
+2. [Elemzés](15-analyzing/README.md)
+3. [Kommunikáció](16-communication/README.md)
+
+### Köszönetnyilvánítás
+
+Ezeket a leckéket ❤️-val írták: [Jalen McGee](https://twitter.com/JalenMCG) és [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Felelősségkizárás**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/hu/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..ebb46c55
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,114 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:05:33+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "hu"
+}
+-->
+# Bevezetés az adattudományba a felhőben
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Adattudomány a felhőben: Bevezetés - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+
+Ebben a leckében megismered a felhő alapelveit, megtudod, miért lehet érdekes számodra a felhőszolgáltatások használata az adattudományi projektjeid futtatásához, és néhány példát is megnézünk a felhőben futtatott adattudományi projektekről. 
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Mi az a felhő?
+
+A felhő, vagy felhőalapú számítástechnika, az interneten keresztül elérhető, széles körű, igény szerinti számítástechnikai szolgáltatások biztosítását jelenti. Ezek a szolgáltatások magukban foglalják például a tárhelyet, adatbázisokat, hálózatokat, szoftvereket, analitikát és intelligens szolgáltatásokat.
+
+Általában megkülönböztetjük a nyilvános, privát és hibrid felhőket az alábbiak szerint:
+
+* Nyilvános felhő: egy harmadik fél által üzemeltetett és birtokolt felhőszolgáltatás, amely az interneten keresztül nyújt számítástechnikai erőforrásokat a nyilvánosság számára.
+* Privát felhő: kizárólag egyetlen vállalkozás vagy szervezet által használt felhőszolgáltatások és infrastruktúra, amely egy privát hálózaton van fenntartva.
+* Hibrid felhő: a hibrid felhő egy olyan rendszer, amely ötvözi a nyilvános és privát felhőket. A felhasználók helyszíni adatközpontot használnak, miközben lehetővé teszik az adatok és alkalmazások futtatását egy vagy több nyilvános felhőben.
+
+A legtöbb felhőalapú számítástechnikai szolgáltatás három kategóriába sorolható: infrastruktúra mint szolgáltatás (IaaS), platform mint szolgáltatás (PaaS) és szoftver mint szolgáltatás (SaaS).
+
+* Infrastruktúra mint szolgáltatás (IaaS): a felhasználók IT-infrastruktúrát bérelnek, például szervereket, virtuális gépeket (VM-eket), tárhelyet, hálózatokat, operációs rendszereket.
+* Platform mint szolgáltatás (PaaS): a felhasználók egy környezetet bérelnek szoftveralkalmazások fejlesztéséhez, teszteléséhez, szállításához és kezeléséhez. Nem kell aggódniuk a szerverek, tárhely, hálózat és adatbázisok alapinfrastruktúrájának beállítása vagy kezelése miatt.
+* Szoftver mint szolgáltatás (SaaS): a felhasználók igény szerint, általában előfizetéses alapon férhetnek hozzá szoftveralkalmazásokhoz az interneten keresztül. Nem kell foglalkozniuk a szoftveralkalmazás üzemeltetésével és kezelésével, az alapinfrastruktúrával vagy a karbantartással, például a szoftverfrissítésekkel és biztonsági javításokkal.
+
+A legnagyobb felhőszolgáltatók közé tartozik az Amazon Web Services, a Google Cloud Platform és a Microsoft Azure.
+
+## Miért válaszd a felhőt az adattudományhoz?
+
+A fejlesztők és IT-szakemberek számos okból döntenek a felhő használata mellett, többek között az alábbiak miatt:
+
+* Innováció: alkalmazásaidat közvetlenül a felhőszolgáltatók által kínált innovatív szolgáltatások integrálásával teheted erősebbé.
+* Rugalmasság: csak azokért a szolgáltatásokért fizetsz, amelyekre szükséged van, és széles körű szolgáltatások közül választhatsz. Általában használat alapján fizetsz, és a szolgáltatásaidat az igényeidhez igazíthatod.
+* Költségvetés: nincs szükség kezdeti beruházásokra hardverek és szoftverek vásárlásához, helyszíni adatközpontok beállításához és üzemeltetéséhez, csak azért fizetsz, amit használsz.
+* Skálázhatóság: az erőforrásaid a projekted igényeihez igazodva skálázhatók, ami azt jelenti, hogy az alkalmazásaid több vagy kevesebb számítási teljesítményt, tárhelyet és sávszélességet használhatnak, az aktuális külső tényezőkhöz igazodva.
+* Produktivitás: az üzletedre koncentrálhatsz, ahelyett, hogy olyan feladatokra pazarolnád az idődet, amelyeket mások is kezelhetnek, például adatközpontok kezelésére.
+* Megbízhatóság: a felhőalapú számítástechnika számos módot kínál az adataid folyamatos biztonsági mentésére, és katasztrófa-helyreállítási terveket állíthatsz fel, hogy vállalkozásod és szolgáltatásaid válság idején is működjenek.
+* Biztonság: olyan szabályzatokat, technológiákat és ellenőrzéseket vehetsz igénybe, amelyek erősítik a projekted biztonságát.
+
+Ezek a leggyakoribb okok, amiért az emberek a felhőszolgáltatások mellett döntenek. Most, hogy jobban megértettük, mi a felhő és mik az előnyei, nézzük meg konkrétabban, hogyan segítheti a felhő az adattudósok és az adatokkal dolgozó fejlesztők munkáját, és hogyan oldhatja meg az általuk tapasztalt kihívásokat:
+
+* Nagy mennyiségű adat tárolása: ahelyett, hogy nagy szervereket vásárolnál, kezelnél és védenél, közvetlenül a felhőben tárolhatod az adataidat, például az Azure Cosmos DB, Azure SQL Database és Azure Data Lake Storage megoldásokkal.
+* Adatintegráció végrehajtása: az adatintegráció az adattudomány alapvető része, amely lehetővé teszi az adatok gyűjtésétől a cselekvésig való átmenetet. A felhőben kínált adatintegrációs szolgáltatásokkal különböző forrásokból származó adatokat gyűjthetsz, alakíthatsz át és integrálhatsz egyetlen adattárházba, például a Data Factory segítségével.
+* Adatok feldolgozása: hatalmas mennyiségű adat feldolgozása rengeteg számítási teljesítményt igényel, és nem mindenkinek van hozzáférése elég erős gépekhez, ezért sokan közvetlenül a felhő hatalmas számítási teljesítményét használják megoldásaik futtatásához és telepítéséhez.
+* Adat-analitikai szolgáltatások használata: olyan felhőszolgáltatások, mint az Azure Synapse Analytics, Azure Stream Analytics és Azure Databricks segítenek az adataidat cselekvésre alkalmas betekintésekké alakítani.
+* Gépi tanulás és adatintelligencia szolgáltatások használata: ahelyett, hogy mindent a nulláról kezdenél, használhatod a felhőszolgáltatók által kínált gépi tanulási algoritmusokat, például az AzureML szolgáltatást. Emellett használhatsz kognitív szolgáltatásokat is, például beszéd-szöveg átalakítást, szöveg-beszéd átalakítást, számítógépes látást és még sok mást.
+
+## Példák az adattudományra a felhőben
+
+Tegyük ezt kézzelfoghatóbbá néhány forgatókönyv megvizsgálásával.
+
+### Valós idejű közösségi média hangulatelemzés
+Kezdjünk egy olyan forgatókönyvvel, amelyet gyakran tanulmányoznak a gépi tanulással ismerkedők: valós idejű közösségi média hangulatelemzés.
+
+Tegyük fel, hogy egy híroldalt üzemeltetsz, és szeretnéd kihasználni az élő adatokat, hogy megértsd, milyen tartalmak érdekelhetik az olvasóidat. Ehhez készíthetsz egy programot, amely valós idejű hangulatelemzést végez a Twitter-bejegyzések adatai alapján, az olvasóid számára releváns témákban.
+
+A kulcsfontosságú mutatók, amelyeket figyelni fogsz, a meghatározott témákhoz (hashtagekhez) kapcsolódó tweetek mennyisége és a hangulat, amelyet az elemző eszközök állapítanak meg a megadott témák körül.
+
+A projekt létrehozásához szükséges lépések a következők:
+
+* Hozz létre egy eseményközpontot a bemeneti adatfolyamhoz, amely a Twitter adatait gyűjti.
+* Konfigurálj és indíts el egy Twitter kliensalkalmazást, amely hívja a Twitter Streaming API-kat.
+* Hozz létre egy Stream Analytics feladatot.
+* Add meg a feladat bemenetét és lekérdezését.
+* Hozz létre egy kimeneti tárolót, és add meg a feladat kimenetét.
+* Indítsd el a feladatot.
+
+A teljes folyamat megtekintéséhez nézd meg a [dokumentációt](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Tudományos cikkek elemzése
+Vegyünk egy másik példát egy projektre, amelyet [Dmitry Soshnikov](http://soshnikov.com), ennek a tananyagnak az egyik szerzője készített.
+
+Dmitry egy olyan eszközt hozott létre, amely COVID-cikkeket elemez. E projekt áttekintésével láthatod, hogyan hozhatsz létre egy olyan eszközt, amely tudást nyer ki tudományos cikkekből, betekintéseket szerez, és segíti a kutatókat a nagy mennyiségű cikk hatékony kezelésében.
+
+Nézzük meg a különböző lépéseket, amelyeket ehhez használtak:
+* Információk kinyerése és előfeldolgozása a [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) segítségével.
+* Az [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) használata a feldolgozás párhuzamosításához.
+* Információk tárolása és lekérdezése a [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) segítségével.
+* Interaktív irányítópult létrehozása az adatok felfedezéséhez és vizualizációjához a Power BI segítségével.
+
+A teljes folyamat megtekintéséhez látogasd meg [Dmitry blogját](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Amint láthatod, a felhőszolgáltatások számos módon segíthetnek az adattudományi feladatok elvégzésében.
+
+## Lábjegyzet
+
+Források:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Előadás utáni kvíz
+
+[Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Feladat
+
+[Piackutatás](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/hu/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..847217fd
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:09:50+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Piackutatás
+
+## Útmutató
+
+Ebben a leckében megtanultad, hogy több fontos felhőszolgáltató is létezik. Végezz piackutatást, hogy felfedezd, mit kínálhatnak ezek az adatelemzők számára. Összehasonlíthatók az ajánlatok? Írj egy dolgozatot, amely leírja három vagy több ilyen felhőszolgáltató ajánlatait.
+
+## Értékelési szempontok
+
+Kiváló | Megfelelő | Fejlesztésre szorul
+--- | --- | --- |
+Egy egyoldalas dolgozat leírja három felhőszolgáltató adatkutatási ajánlatait, és megkülönbözteti őket egymástól. | Egy rövidebb dolgozat kerül bemutatásra. | Egy dolgozat kerül bemutatásra, de az elemzés nincs befejezve.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..98f3bc5a
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,339 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T15:55:12+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány a felhőben: A "Low code/No code" megközelítés
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Adattudomány a felhőben: Low Code - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+Tartalomjegyzék:
+
+- [Adattudomány a felhőben: A "Low code/No code" megközelítés](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Előadás előtti kvíz](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Bevezetés](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Mi az Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 A szívelégtelenség előrejelzési projekt:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 A szívelégtelenség adatállomány:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Low code/No code modell tanítása az Azure ML Studio-ban](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Azure ML munkaterület létrehozása](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Számítási erőforrások](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 A megfelelő számítási erőforrások kiválasztása](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Számítási klaszter létrehozása](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Adatállomány betöltése](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Low code/No Code tanítás AutoML segítségével](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Low code/No Code modell telepítése és végpont fogyasztása](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Modell telepítése](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Végpont fogyasztása](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Kihívás](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Előadás utáni kvíz](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Áttekintés és önálló tanulás](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Feladat](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+## 1. Bevezetés
+### 1.1 Mi az Azure Machine Learning?
+
+Az Azure felhőplatform több mint 200 terméket és felhőszolgáltatást kínál, amelyek segítenek új megoldások életre hívásában. Az adattudósok rengeteg energiát fordítanak az adatok feltárására és előfeldolgozására, valamint különböző modell-tanítási algoritmusok kipróbálására, hogy pontos modelleket hozzanak létre. Ezek a feladatok időigényesek, és gyakran nem hatékonyan használják ki a drága számítási hardvereket.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) egy felhőalapú platform, amely gépi tanulási megoldások létrehozására és működtetésére szolgál az Azure-ban. Számos funkciót és képességet kínál, amelyek segítik az adattudósokat az adatok előkészítésében, modellek tanításában, prediktív szolgáltatások közzétételében és használatuk nyomon követésében. Legfontosabb előnye, hogy növeli a hatékonyságot azáltal, hogy automatizálja a modellek tanításával kapcsolatos időigényes feladatokat, és lehetővé teszi a felhőalapú számítási erőforrások hatékony skálázását, nagy mennyiségű adat kezelésére, költségeket csak tényleges használat esetén generálva.
+
+Az Azure ML az összes szükséges eszközt biztosítja a fejlesztők és adattudósok számára a gépi tanulási munkafolyamatokhoz, például:
+
+- **Azure Machine Learning Studio**: egy webes portál az Azure Machine Learning-ben, amely alacsony kódú és kódmentes lehetőségeket kínál modellek tanítására, telepítésére, automatizálására, nyomon követésére és eszközkezelésére. A stúdió integrálódik az Azure Machine Learning SDK-val a zökkenőmentes élmény érdekében.
+- **Jupyter Notebooks**: gyors prototípusok és ML modellek tesztelése.
+- **Azure Machine Learning Designer**: modulok húzása és ejtése kísérletek létrehozásához, majd alacsony kódú környezetben csővezetékek telepítése.
+- **Automatizált gépi tanulási felület (AutoML)**: automatizálja a gépi tanulási modellek fejlesztésének iteratív feladatait, lehetővé téve nagy skálájú, hatékony és produktív ML modellek létrehozását, miközben fenntartja a modell minőségét.
+- **Adatcímkézés**: egy segített ML eszköz az adatok automatikus címkézéséhez.
+- **Gépi tanulási kiterjesztés a Visual Studio Code-hoz**: teljes funkcionalitású fejlesztési környezetet biztosít ML projektek létrehozásához és kezeléséhez.
+- **Gépi tanulási CLI**: parancsokat biztosít az Azure ML erőforrások parancssorból történő kezeléséhez.
+- **Integráció nyílt forráskódú keretrendszerekkel**, mint például PyTorch, TensorFlow, Scikit-learn és sok más, a gépi tanulási folyamatok végponttól végpontig történő kezeléséhez.
+- **MLflow**: egy nyílt forráskódú könyvtár a gépi tanulási kísérletek életciklusának kezelésére. Az **MLFlow Tracking** az MLflow egy komponense, amely naplózza és nyomon követi a tanítási futások metrikáit és modell artefaktumait, függetlenül a kísérlet környezetétől.
+
+### 1.2 A szívelégtelenség előrejelzési projekt:
+
+Nem kétséges, hogy projektek készítése és építése a legjobb módja annak, hogy próbára tegyük készségeinket és tudásunkat. Ebben a leckében két különböző módot fogunk megvizsgálni egy adattudományi projekt létrehozására, amely a szívelégtelenség előrejelzésére szolgál az Azure ML Studio-ban, alacsony kódú/kódmentes megközelítéssel és az Azure ML SDK-val, ahogy az alábbi séma mutatja:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hu.png)
+
+Mindkét megközelítésnek megvannak a maga előnyei és hátrányai. Az alacsony kódú/kódmentes megközelítés könnyebb kezdésként, mivel egy grafikus felhasználói felülettel (GUI) való interakciót igényel, előzetes kódolási ismeretek nélkül. Ez a módszer lehetővé teszi a projekt életképességének gyors tesztelését és egy POC (Proof Of Concept) létrehozását. Azonban, ahogy a projekt növekszik és a dolgok gyártásra készen állnak, nem célszerű erőforrásokat létrehozni GUI-n keresztül. Programozottan kell automatizálni mindent, az erőforrások létrehozásától kezdve a modell telepítéséig. Itt válik kulcsfontosságúvá az Azure ML SDK használatának ismerete.
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Kódolási ismeretek | Nem szükséges    | Szükséges                 |
+| Fejlesztési idő   | Gyors és egyszerű | A kódolási ismeretektől függ |
+| Gyártásra kész    | Nem              | Igen                      |
+
+### 1.3 A szívelégtelenség adatállomány: 
+
+A szív- és érrendszeri betegségek (CVD-k) világszerte a halálozás első számú okai, az összes haláleset 31%-át teszik ki. Környezeti és viselkedési kockázati tényezők, mint például a dohányzás, egészségtelen étrend és elhízás, fizikai inaktivitás és az alkohol káros használata, felhasználhatók becslési modellek jellemzőiként. A CVD kialakulásának valószínűségének becslése nagy segítséget jelenthet a magas kockázatú emberek támadásainak megelőzésében.
+
+A Kaggle nyilvánosan elérhetővé tett egy [szívelégtelenség adatállományt](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), amelyet ebben a projektben fogunk használni. Most letöltheti az adatállományt. Ez egy táblázatos adatállomány, amely 13 oszlopot (12 jellemző és 1 célváltozó) és 299 sort tartalmaz. 
+
+|    | Változó neve              | Típus           | Leírás                                                    | Példa             |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| 1  | age                       | numerikus       | a páciens életkora                                        | 25                |
+| 2  | anaemia                   | logikai         | A vörösvérsejtek vagy a hemoglobin csökkenése             | 0 vagy 1          |
+| 3  | creatinine_phosphokinase  | numerikus       | A CPK enzim szintje a vérben                              | 542               |
+| 4  | diabetes                  | logikai         | Ha a páciens cukorbeteg                                   | 0 vagy 1          |
+| 5  | ejection_fraction         | numerikus       | A szívből kilépő vér százaléka minden összehúzódáskor     | 45                |
+| 6  | high_blood_pressure       | logikai         | Ha a páciens hipertóniás                                 | 0 vagy 1          |
+| 7  | platelets                 | numerikus       | Vérlemezkék a vérben                                      | 149000            |
+| 8  | serum_creatinine          | numerikus       | A szérum kreatinin szintje a vérben                       | 0.5               |
+| 9  | serum_sodium              | numerikus       | A szérum nátrium szintje a vérben                         | jun               |
+| 10 | sex                       | logikai         | nő vagy férfi                                             | 0 vagy 1          |
+| 11 | smoking                   | logikai         | Ha a páciens dohányzik                                    | 0 vagy 1          |
+| 12 | time                      | numerikus       | követési időszak (napok)                                  | 4                 |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Cél]         | logikai         | ha a páciens meghal a követési időszak alatt              | 0 vagy 1          |
+
+Miután megvan az adatállomány, elkezdhetjük a projektet az Azure-ban.
+
+## 2. Low code/No code modell tanítása az Azure ML Studio-ban
+### 2.1 Azure ML munkaterület létrehozása
+Ahhoz, hogy modellt tanítsunk az Azure ML-ben, először létre kell hoznunk egy Azure ML munkaterületet. A munkaterület az Azure Machine Learning legfelső szintű erőforrása, amely központi helyet biztosít az Azure Machine Learning használatával létrehozott összes artefaktum kezeléséhez. A munkaterület nyilvántartást vezet az összes tanítási futásról, beleértve a naplókat, metrikákat, kimeneteket és a szkriptek pillanatképét. Ezt az információt használhatja annak meghatározására, hogy melyik tanítási futás eredményezi a legjobb modellt. [További információ](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Ajánlott a legfrissebb, operációs rendszerével kompatibilis böngésző használata. A következő böngészők támogatottak:
+
+- Microsoft Edge (Az új Microsoft Edge, legfrissebb verzió. Nem a Microsoft Edge legacy)
+- Safari (legfrissebb verzió, csak Mac)
+- Chrome (legfrissebb verzió)
+- Firefox (legfrissebb verzió)
+
+Az Azure Machine Learning használatához hozzon létre egy munkaterületet az Azure előfizetésében. Ezután ezt a munkaterületet használhatja az adatok, számítási erőforrások, kódok, modellek és más, gépi tanulási munkaterhelésekkel kapcsolatos artefaktumok kezelésére.
+
+> **_MEGJEGYZÉS:_** Az Azure előfizetése kis összeget fog felszámítani az adattárolásért, amíg az Azure Machine Learning munkaterület létezik az előfizetésében, ezért javasoljuk, hogy törölje az Azure Machine Learning munkaterületet, amikor már nem használja.
+
+1. Jelentkezzen be az [Azure portálra](https://ms.portal.azure.com/) az Azure előfizetéséhez kapcsolódó Microsoft hitelesítő adatokkal.
+2. Válassza ki a **＋Erőforrás létrehozása** lehetőséget
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hu.png)
+
+   Keressen rá a Machine Learning-re, és válassza ki a Machine Learning csempét
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hu.png)
+
+   Kattintson a létrehozás gombra
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hu.png)
+
+   Töltse ki a beállításokat az alábbiak szerint:
+   - Előfizetés: Az Azure előfizetése
+   - Erőforráscsoport: Hozzon létre vagy válasszon egy erőforráscsoportot
+   - Munkaterület neve: Adjon meg egy egyedi nevet a munkaterületéhez
+   - Régió: Válassza ki a földrajzilag legközelebbi régiót
+   - Tárolófiók: Jegyezze fel az új tárolófiókot, amelyet a munkaterületéhez hoznak létre
+   - Kulcstartó: Jegyezze fel az új kulcstartót, amelyet a munkaterületéhez hoznak létre
+   - Alkalmazás-elemzések: Jegyezze fel az új alkalmazás-elemzési erőforrást, amelyet a munkaterületéhez hoznak létre
+   - Tárolóregisztráció: Nincs (automatikusan létrejön az első alkalommal, amikor modellt telepít egy tárolóba)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hu.png)
+
+   - Kattintson a létrehozás + áttekintés, majd a létrehozás gombra
+3. Várja meg, amíg a munkaterület létrejön (ez néhány percet igénybe vehet). Ezután keresse meg a portálon. A Machine Learning Azure szolgáltatáson keresztül találhatja meg.
+4. A munkaterület áttekintő oldalán indítsa el az Azure Machine Learning stúdiót (vagy nyisson meg egy új böngészőlapot, és navigáljon ide: https://ml.azure.com), és jelentkezzen be az Azure Machine Learning stúdióba Microsoft fiókjával. Ha szükséges, válassza ki az Azure könyvtárát és előfizetését, valamint az Azure Machine Learning munkaterületét.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hu.png)
+
+5. Az Azure Machine Learning stúdióban kapcsolja be a ☰ ikont a bal felső sarokban, hogy megtekintse az interfész különböző oldalait. Ezeket az oldalakat használhatja a munkaterület erőforrásainak kezelésére.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hu.png)
+
+A munkaterületet kezelheti az Azure portálon keresztül, de az adattudós
+- **Csatolt számítás**: Kapcsolódás meglévő Azure számítási erőforrásokhoz, például virtuális gépekhez vagy Azure Databricks klaszterekhez.
+
+#### 2.2.1 A megfelelő számítási erőforrás kiválasztása
+
+Néhány kulcsfontosságú tényezőt érdemes figyelembe venni számítási erőforrás létrehozásakor, mivel ezek kritikus döntések lehetnek.
+
+**CPU-ra vagy GPU-ra van szüksége?**
+
+A CPU (központi feldolgozóegység) az a elektronikus áramkör, amely végrehajtja a számítógépes program utasításait. A GPU (grafikus feldolgozóegység) egy speciális elektronikus áramkör, amely rendkívül nagy sebességgel képes grafikai kódokat végrehajtani.
+
+A fő különbség a CPU és a GPU architektúrája között az, hogy a CPU-t széles körű feladatok gyors kezelésére tervezték (amit a CPU órajele mér), de korlátozott a párhuzamosan futó feladatok száma. A GPU-k párhuzamos számításokra vannak optimalizálva, ezért sokkal jobbak a mélytanulási feladatokban.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Kevésbé költséges                       | Drágább                     |
+| Alacsonyabb szintű párhuzamosság        | Magasabb szintű párhuzamosság |
+| Lassabb a mélytanulási modellek betanításában | Optimális mélytanuláshoz    |
+
+**Klaszterméret**
+
+A nagyobb klaszterek drágábbak, de jobb válaszidőt eredményeznek. Ezért, ha van időd, de kevés pénzed, kezdj egy kisebb klaszterrel. Ha viszont van pénzed, de kevés időd, kezdj egy nagyobb klaszterrel.
+
+**VM Méret**
+
+Az idő- és költségkereted függvényében változtathatod a RAM, a lemez, a magok számát és az órajelet. Ezeknek a paramétereknek a növelése drágább, de jobb teljesítményt eredményez.
+
+**Dedikált vagy alacsony prioritású példányok?**
+
+Az alacsony prioritású példány megszakítható: lényegében a Microsoft Azure elveheti ezeket az erőforrásokat, és más feladathoz rendelheti, megszakítva ezzel a munkát. A dedikált példány, vagyis a nem megszakítható, azt jelenti, hogy a munka soha nem lesz megszakítva az engedélyed nélkül. Ez ismét egy idő-pénz mérlegelés, mivel a megszakítható példányok olcsóbbak, mint a dedikáltak.
+
+#### 2.2.2 Számítási klaszter létrehozása
+
+Az [Azure ML munkaterületen](https://ml.azure.com/), amelyet korábban létrehoztunk, menj a "Compute" menüpontra, és itt láthatod azokat a különböző számítási erőforrásokat, amelyeket az előbb tárgyaltunk (pl. számítási példányok, számítási klaszterek, következtetési klaszterek és csatolt számítás). Ehhez a projekthez egy számítási klaszterre lesz szükségünk a modell betanításához. A Stúdióban kattints a "Compute" menüre, majd a "Compute cluster" fülre, és kattints a "+ New" gombra egy új számítási klaszter létrehozásához.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hu.png)
+
+1. Válaszd ki az opciókat: Dedikált vagy alacsony prioritás, CPU vagy GPU, VM méret és magok száma (ehhez a projekthez megtarthatod az alapértelmezett beállításokat).
+2. Kattints a "Next" gombra.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hu.png)
+
+3. Adj nevet a klaszternek.
+4. Válaszd ki az opciókat: Minimális/makszimális csomópontok száma, üresjárati másodpercek a leállítás előtt, SSH hozzáférés. Jegyezd meg, hogy ha a minimális csomópontok száma 0, pénzt takaríthatsz meg, amikor a klaszter üresjáratban van. Jegyezd meg, hogy minél magasabb a maximális csomópontok száma, annál rövidebb lesz a betanítási idő. Az ajánlott maximális csomópontszám 3.
+5. Kattints a "Create" gombra. Ez a lépés néhány percet vehet igénybe.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hu.png)
+
+Szuper! Most, hogy van egy számítási klaszterünk, be kell töltenünk az adatokat az Azure ML Stúdióba.
+
+### 2.3 Az adathalmaz betöltése
+
+1. Az [Azure ML munkaterületen](https://ml.azure.com/), amelyet korábban létrehoztunk, kattints a bal oldali menüben a "Datasets" menüpontra, majd a "+ Create dataset" gombra egy új adathalmaz létrehozásához. Válaszd a "From local files" opciót, és válaszd ki a korábban letöltött Kaggle adathalmazt.
+
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hu.png)
+
+2. Adj nevet, típust és leírást az adathalmaznak. Kattints a "Next" gombra. Töltsd fel az adatokat a fájlokból. Kattints a "Next" gombra.
+
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hu.png)
+
+3. A séma beállításainál állítsd a következő jellemzők adattípusát Boolean-ra: anaemia, diabetes, high blood pressure, sex, smoking, és DEATH_EVENT. Kattints a "Next" gombra, majd a "Create" gombra.
+
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hu.png)
+
+Nagyszerű! Most, hogy az adathalmaz készen áll, és a számítási klaszter létrejött, elkezdhetjük a modell betanítását!
+
+### 2.4 Kódmentes/Kódminimalizált betanítás AutoML-lel
+
+A hagyományos gépi tanulási modellek fejlesztése erőforrás-igényes, jelentős szaktudást és időt igényel, hogy több tucat modellt előállítsunk és összehasonlítsunk. Az automatizált gépi tanulás (AutoML) a gépi tanulási modellek fejlesztésének időigényes, iteratív feladatait automatizálja. Lehetővé teszi az adatelemzők, fejlesztők számára, hogy nagy léptékben, hatékonyan és produktívan építsenek ML modelleket, miközben fenntartják a modell minőségét. Ez jelentősen csökkenti az időt, amely a gyártásra kész ML modellek előállításához szükséges. [Tudj meg többet](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+1. Az [Azure ML munkaterületen](https://ml.azure.com/), amelyet korábban létrehoztunk, kattints a bal oldali menüben az "Automated ML" menüpontra, és válaszd ki az imént feltöltött adathalmazt. Kattints a "Next" gombra.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hu.png)
+
+2. Adj meg egy új kísérletnevet, a céloszlopot (DEATH_EVENT) és a létrehozott számítási klasztert. Kattints a "Next" gombra.
+
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hu.png)
+
+3. Válaszd a "Classification" lehetőséget, majd kattints a "Finish" gombra. Ez a lépés 30 perctől 1 óráig tarthat, a számítási klaszter méretétől függően.
+
+   ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hu.png)
+
+4. Amikor a futtatás befejeződött, kattints az "Automated ML" fülre, válaszd ki a futtatásodat, majd kattints az "Algorithm" gombra a "Best model summary" kártyán.
+
+   ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hu.png)
+
+Itt részletes leírást találsz az AutoML által generált legjobb modellről. Fedezd fel a többi modellt is a "Models" fülön. Szánj néhány percet a modellek magyarázatainak (előzetes) megtekintésére. Miután kiválasztottad a használni kívánt modellt (itt az AutoML által kiválasztott legjobb modellt választjuk), megnézzük, hogyan lehet azt telepíteni.
+
+## 3. Kódmentes/Kódminimalizált modelltelepítés és végpontfogyasztás
+### 3.1 Modelltelepítés
+
+Az automatizált gépi tanulási felület lehetővé teszi, hogy néhány lépésben webszolgáltatásként telepítsd a legjobb modellt. A telepítés a modell integrációját jelenti, hogy az új adatok alapján előrejelzéseket készíthessen, és azonosíthassa a potenciális lehetőségeket. Ebben a projektben a webszolgáltatásként történő telepítés azt jelenti, hogy az orvosi alkalmazások képesek lesznek élő előrejelzéseket készíteni a betegek szívrohamkockázatáról.
+
+A legjobb modell leírásában kattints a "Deploy" gombra.
+
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hu.png)
+
+15. Adj neki egy nevet, egy leírást, válaszd ki a számítási típust (Azure Container Instance), engedélyezd az autentikációt, majd kattints a "Deploy" gombra. Ez a lépés körülbelül 20 percet vehet igénybe. A telepítési folyamat több lépést tartalmaz, beleértve a modell regisztrálását, az erőforrások létrehozását és azok konfigurálását a webszolgáltatáshoz. Egy állapotüzenet jelenik meg a "Deploy status" alatt. Időnként kattints a "Refresh" gombra az állapot ellenőrzéséhez. A telepítés akkor sikeres, ha az állapot "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hu.png)
+
+16. Miután a telepítés befejeződött, kattints az "Endpoint" fülre, majd a most telepített végpontra. Itt megtalálod az összes részletet, amit a végpontról tudnod kell.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hu.png)
+
+Fantasztikus! Most, hogy a modell telepítve van, elkezdhetjük a végpont fogyasztását.
+
+### 3.2 Végpontfogyasztás
+
+Kattints a "Consume" fülre. Itt megtalálod a REST végpontot és egy Python szkriptet a fogyasztási opcióban. Szánj időt a Python kód elolvasására.
+
+Ez a szkript közvetlenül a helyi gépedről futtatható, és fogyasztja a végpontot.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hu.png)
+
+Nézd meg közelebbről ezt a két kódsort:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Az `url` változó a "Consume" fülön található REST végpontot tartalmazza, az `api_key` változó pedig az elsődleges kulcsot (csak akkor, ha engedélyezted az autentikációt). Ez a szkript így tudja fogyasztani a végpontot.
+
+18. A szkript futtatásakor a következő kimenetet kell látnod:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+Ez azt jelenti, hogy a szívleállás előrejelzése az adott adatok alapján igaz. Ez logikus, mert ha közelebbről megnézed a szkriptben automatikusan generált adatokat, minden alapértelmezés szerint 0 és hamis. Az adatokat a következő mintával módosíthatod:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+A szkriptnek a következőt kell visszaadnia:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Gratulálok! Most már fogyasztottad a telepített modellt, és betanítottad az Azure ML-en!
+
+> **_MEGJEGYZÉS:_** Miután befejezted a projektet, ne felejtsd el törölni az összes erőforrást.
+## 🚀 Kihívás
+
+Nézd meg alaposan az AutoML által generált modellmagyarázatokat és részleteket a legjobb modellekhez. Próbáld megérteni, miért jobb a legjobb modell a többinél. Milyen algoritmusokat hasonlítottak össze? Mik a különbségek közöttük? Miért teljesít jobban a legjobb ebben az esetben?
+
+## [Utólagos előadás kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Áttekintés és önálló tanulás
+
+Ebben a leckében megtanultad, hogyan kell betanítani, telepíteni és fogyasztani egy modellt, amely a szívleállás kockázatát jósolja kódmentes/kódminimalizált módon a felhőben. Ha még nem tetted meg, merülj el mélyebben az AutoML által generált modellmagyarázatokban, és próbáld megérteni, miért jobb a legjobb modell a többinél.
+
+További információkat találhatsz a kódmentes/kódminimalizált AutoML-ről ebben a [dokumentációban](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Feladat
+
+[Low code/No code Data Science projekt az Azure ML-en](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..d4f223eb
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:16+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Low code/No code Data Science projekt az Azure ML-en
+
+## Útmutató
+
+Megnéztük, hogyan lehet az Azure ML platformot használni egy modell betanítására, telepítésére és fogyasztására Low code/No code módon. Most keress valamilyen adatot, amelyet felhasználhatsz egy másik modell betanítására, telepítésére és fogyasztására. Adatokat találhatsz például a [Kaggle](https://kaggle.com) és az [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) oldalakon.
+
+## Értékelési szempontok
+
+| Kiemelkedő | Megfelelő | Fejlesztésre szorul |
+|------------|-----------|---------------------|
+|Az adatok feltöltésekor gondoskodtál arról, hogy szükség esetén megváltoztasd a jellemzők típusát. Az adatokat is megtisztítottad, ha szükséges volt. Egy adathalmazon AutoML segítségével végeztél betanítást, és ellenőrizted a modell magyarázatait. A legjobb modellt telepítetted, és képes voltál azt fogyasztani. | Az adatok feltöltésekor gondoskodtál arról, hogy szükség esetén megváltoztasd a jellemzők típusát. Egy adathalmazon AutoML segítségével végeztél betanítást, a legjobb modellt telepítetted, és képes voltál azt fogyasztani. | Az AutoML által betanított legjobb modellt telepítetted, és képes voltál azt fogyasztani. |
+
+---
+
+**Felelősségkizárás**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/hu/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..633cb9b9
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,312 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:11:26+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány a felhőben: Az "Azure ML SDK" módszer
+
+|![ Sketchnote készítette: [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Adattudomány a felhőben: Azure ML SDK - _Sketchnote készítette: [@nitya](https://twitter.com/nitya)_ |
+
+Tartalomjegyzék:
+
+- [Adattudomány a felhőben: Az "Azure ML SDK" módszer](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Előadás előtti kvíz](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Bevezetés](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Mi az az Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Szívmegállás előrejelzési projekt és adathalmaz bemutatása](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Modell tanítása az Azure ML SDK-val](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Azure ML munkaterület létrehozása](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Számítási példány létrehozása](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Adathalmaz betöltése](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Jegyzetfüzetek létrehozása](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Modell tanítása](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Munkaterület, kísérlet, számítási fürt és adathalmaz beállítása](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 AutoML konfiguráció és tanítás](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Modell telepítése és végpont fogyasztása az Azure ML SDK-val](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 A legjobb modell mentése](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Modell telepítése](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Végpont fogyasztása](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Kihívás](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Előadás utáni kvíz](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Áttekintés és önálló tanulás](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Feladat](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Bevezetés
+
+### 1.1 Mi az az Azure ML SDK?
+
+Az adattudósok és mesterséges intelligencia fejlesztők az Azure Machine Learning SDK-t használják gépi tanulási munkafolyamatok létrehozására és futtatására az Azure Machine Learning szolgáltatással. A szolgáltatással bármilyen Python környezetben dolgozhatunk, beleértve a Jupyter Notebookokat, a Visual Studio Code-ot vagy a kedvenc Python IDE-t.
+
+Az SDK főbb területei:
+
+- A gépi tanulási kísérletekhez használt adathalmazok felfedezése, előkészítése és életciklusának kezelése.
+- Felhőalapú erőforrások kezelése a gépi tanulási kísérletek monitorozásához, naplózásához és szervezéséhez.
+- Modellek tanítása helyben vagy felhőalapú erőforrásokkal, beleértve a GPU-gyorsított modell tanítást.
+- Automatikus gépi tanulás használata, amely konfigurációs paramétereket és tanítási adatokat fogad. Automatikusan iterál az algoritmusok és hiperparaméterek beállításain, hogy megtalálja a legjobb modellt az előrejelzésekhez.
+- Webszolgáltatások telepítése, amelyek a betanított modelleket RESTful szolgáltatásokká alakítják, amelyek bármilyen alkalmazásban felhasználhatók.
+
+[További információ az Azure Machine Learning SDK-ról](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Az [előző leckében](../18-Low-Code/README.md) megnéztük, hogyan lehet modellt tanítani, telepíteni és használni alacsony kódú/nem kódolt módon. A Szívmegállás adathalmazt használtuk egy szívmegállás előrejelzési modell létrehozásához. Ebben a leckében ugyanezt fogjuk megtenni, de az Azure Machine Learning SDK használatával.
+
+![projekt-séma](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hu.png)
+
+### 1.2 Szívmegállás előrejelzési projekt és adathalmaz bemutatása
+
+A szívmegállás előrejelzési projekt és adathalmaz bemutatását [itt találod](../18-Low-Code/README.md).
+
+## 2. Modell tanítása az Azure ML SDK-val
+### 2.1 Azure ML munkaterület létrehozása
+
+Egyszerűség kedvéért egy Jupyter notebookban fogunk dolgozni. Ez azt feltételezi, hogy már rendelkezel egy munkaterülettel és egy számítási példánnyal. Ha már van munkaterületed, közvetlenül ugorhatsz a **2.3 Jegyzetfüzet létrehozása** szakaszra.
+
+Ha még nincs, kövesd az utasításokat az [előző lecke](../18-Low-Code/README.md) **2.1 Azure ML munkaterület létrehozása** szakaszában.
+
+### 2.2 Számítási példány létrehozása
+
+Az [Azure ML munkaterületen](https://ml.azure.com/), amelyet korábban létrehoztunk, menj a Compute menübe, ahol láthatod a különböző elérhető számítási erőforrásokat.
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hu.png)
+
+Hozzunk létre egy számítási példányt egy Jupyter notebook biztosításához. 
+1. Kattints az + Új gombra. 
+2. Adj nevet a számítási példánynak.
+3. Válaszd ki az opciókat: CPU vagy GPU, VM méret és magok száma.
+4. Kattints a Létrehozás gombra.
+
+Gratulálok, most hoztál létre egy számítási példányt! Ezt a példányt fogjuk használni a jegyzetfüzet létrehozásához a [Jegyzetfüzetek létrehozása szakaszban](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Adathalmaz betöltése
+Ha még nem töltötted fel az adathalmazt, nézd meg az [előző lecke](../18-Low-Code/README.md) **2.3 Adathalmaz betöltése** szakaszát.
+
+### 2.4 Jegyzetfüzetek létrehozása
+
+> **_MEGJEGYZÉS:_** A következő lépéshez létrehozhatsz egy új jegyzetfüzetet a semmiből, vagy feltöltheted az [általunk létrehozott jegyzetfüzetet](notebook.ipynb) az Azure ML Stúdióba. A feltöltéshez egyszerűen kattints a "Notebook" menüre, és töltsd fel a jegyzetfüzetet.
+
+A jegyzetfüzetek nagyon fontosak az adattudományi folyamatban. Használhatók feltáró adatelemzéshez (EDA), számítási fürtök hívásához modell tanítására, vagy következtetési fürtök hívásához végpont telepítésére.
+
+Jegyzetfüzet létrehozásához szükségünk van egy számítási csomópontra, amely a Jupyter notebook példányt szolgáltatja. Lépj vissza az [Azure ML munkaterületre](https://ml.azure.com/), és kattints a Számítási példányokra. A számítási példányok listájában látnod kell a [korábban létrehozott példányt](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+1. Az Alkalmazások szakaszban kattints a Jupyter opcióra. 
+2. Pipáld ki az "Igen, megértettem" négyzetet, majd kattints a Folytatás gombra.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hu.png)
+3. Ez megnyit egy új böngészőfület a Jupyter notebook példányoddal. Kattints az "Új" gombra egy jegyzetfüzet létrehozásához.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hu.png)
+
+Most, hogy van egy jegyzetfüzetünk, elkezdhetjük a modell tanítását az Azure ML SDK-val.
+
+### 2.5 Modell tanítása
+
+Először is, ha bármikor kétséged támad, nézd meg az [Azure ML SDK dokumentációját](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Ez tartalmazza az összes szükséges információt azokról a modulokról, amelyeket ebben a leckében látni fogunk.
+
+#### 2.5.1 Munkaterület, kísérlet, számítási fürt és adathalmaz beállítása
+
+A `workspace` betöltéséhez a konfigurációs fájlból használd a következő kódot:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Ez egy `Workspace` típusú objektumot ad vissza, amely a munkaterületet képviseli. Ezután létre kell hoznod egy `experiment`-et a következő kóddal:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Egy kísérlet lekéréséhez vagy létrehozásához a munkaterületen belül a kísérlet nevét kell megadnod. A kísérlet neve 3-36 karakter hosszú lehet, betűvel vagy számmal kell kezdődnie, és csak betűket, számokat, aláhúzásokat és kötőjeleket tartalmazhat. Ha a kísérlet nem található a munkaterületen, egy új kísérlet jön létre.
+
+Most hozz létre egy számítási fürtöt a tanításhoz a következő kóddal. Ez a lépés néhány percet igénybe vehet.
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Az adathalmazt a munkaterületről az adathalmaz nevének megadásával kérheted le az alábbi módon:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 AutoML konfiguráció és tanítás
+
+Az AutoML konfiguráció beállításához használd az [AutoMLConfig osztályt](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+A dokumentáció szerint számos paraméterrel játszhatsz. Ehhez a projekthez a következő paramétereket fogjuk használni:
+
+- `experiment_timeout_minutes`: Az az időtartam (percben), amely alatt a kísérlet futtatható, mielőtt automatikusan leáll és az eredmények elérhetővé válnak.
+- `max_concurrent_iterations`: A kísérlethez engedélyezett egyidejű tanítási iterációk maximális száma.
+- `primary_metric`: Az elsődleges metrika, amely alapján a kísérlet állapota meghatározásra kerül.
+- `compute_target`: Az Azure Machine Learning számítási cél, amelyen az Automatikus Gépi Tanulási kísérlet fut.
+- `task`: A futtatandó feladat típusa. Értékei lehetnek 'classification', 'regression' vagy 'forecasting', a megoldandó automatikus ML probléma típusától függően.
+- `training_data`: A kísérletben használt tanítási adatok. Tartalmaznia kell a tanítási jellemzőket és egy címkeoszlopot (opcionálisan egy mintasúly oszlopot).
+- `label_column_name`: A címkeoszlop neve.
+- `path`: Az Azure Machine Learning projekt mappájának teljes elérési útja.
+- `enable_early_stopping`: Korai leállítás engedélyezése, ha a pontszám rövid távon nem javul.
+- `featurization`: Jelzi, hogy az automatikus jellemzőképzés engedélyezett-e, vagy egyedi jellemzőképzést kell használni.
+- `debug_log`: A hibakeresési információk írására szolgáló naplófájl.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Most, hogy a konfiguráció be van állítva, a modellt a következő kóddal taníthatod. Ez a lépés akár egy órát is igénybe vehet a fürt méretétől függően.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+A RunDetails widget segítségével megjelenítheted a különböző kísérleteket.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Modell telepítése és végpont fogyasztása az Azure ML SDK-val
+
+### 3.1 A legjobb modell mentése
+
+A `remote_run` egy [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) típusú objektum. Ez az objektum tartalmazza a `get_output()` metódust, amely visszaadja a legjobb futást és a hozzá tartozó betanított modellt.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+A legjobb modellhez használt paramétereket egyszerűen kiírhatod a fitted_model nyomtatásával, és a legjobb modell tulajdonságait a [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metódussal tekintheted meg.
+
+```python
+best_run.get_properties()
+```
+
+Most regisztráld a modellt a [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metódussal.
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Modell telepítése
+
+Miután a legjobb modellt elmentetted, telepítheted az [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) osztállyal. Az InferenceConfig a telepítéshez használt egyedi környezet konfigurációs beállításait képviseli. Az [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) osztály egy gépi tanulási modellt képvisel, amelyet webszolgáltatásként telepítettek az Azure Container Instances-en. A telepített szolgáltatás egy terheléselosztott, HTTP végpont REST API-val. Adatokat küldhetsz ennek az API-nak, és megkapod a modell által visszaadott előrejelzést.
+
+A modellt a [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metódussal telepítheted.
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Ez a lépés néhány percet igénybe vehet.
+
+### 3.3 Végpont fogyasztása
+
+A végpontodat egy minta bemenet létrehozásával használhatod:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+Ezután elküldheted ezt a bemenetet a modellednek előrejelzés céljából:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```
+Ennek az eredménye `'{"result": [false]}'` kell legyen. Ez azt jelenti, hogy a végponthoz küldött betegadatok alapján a predikció `false`, vagyis ez a személy valószínűleg nem fog szívrohamot kapni.
+
+Gratulálunk! Sikeresen felhasználtad az Azure ML-en keresztül telepített és betanított modellt az Azure ML SDK segítségével!
+
+> **_NOTE:_** Miután befejezted a projektet, ne felejtsd el törölni az összes erőforrást.
+
+## 🚀 Kihívás
+
+Az SDK-val még rengeteg más dolgot is meg lehet tenni, sajnos nem tudunk mindent áttekinteni ebben a leckében. De van egy jó hír: ha megtanulod, hogyan böngészd az SDK dokumentációját, azzal önállóan is sokat haladhatsz. Nézd meg az Azure ML SDK dokumentációját, és keresd meg a `Pipeline` osztályt, amely lehetővé teszi, hogy pipeline-okat hozz létre. A pipeline egy lépésekből álló gyűjtemény, amelyeket egy munkafolyamatként lehet végrehajtani.
+
+**TIPP:** Látogass el az [SDK dokumentációba](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109), és írj be kulcsszavakat a keresősávba, például "Pipeline". A keresési eredmények között meg kell találnod az `azureml.pipeline.core.Pipeline` osztályt.
+
+## [Utólagos kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Áttekintés és önálló tanulás
+
+Ebben a leckében megtanultad, hogyan kell betanítani, telepíteni és felhasználni egy modellt a szívelégtelenség kockázatának előrejelzésére az Azure ML SDK-val a felhőben. Nézd meg ezt a [dokumentációt](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) további információkért az Azure ML SDK-ról. Próbálj meg saját modellt létrehozni az Azure ML SDK-val.
+
+## Feladat
+
+[Adattudományi projekt az Azure ML SDK-val](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/hu/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..51fb16be
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:07+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Adattudományi projekt Azure ML SDK használatával
+
+## Útmutató
+
+Megnéztük, hogyan lehet az Azure ML platformot használni egy modell betanítására, telepítésére és fogyasztására az Azure ML SDK segítségével. Most keress valamilyen adatot, amelyet felhasználhatsz egy másik modell betanítására, telepítésére és fogyasztására. Datasets-eket kereshetsz például a [Kaggle](https://kaggle.com) és az [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) oldalakon.
+
+## Értékelési szempontok
+
+| Kiemelkedő | Megfelelő | Fejlesztésre szorul |
+|------------|-----------|---------------------|
+|Az AutoML konfiguráció során átnézted az SDK dokumentációját, hogy megtudd, milyen paramétereket használhatsz. Egy dataset-en AutoML segítségével végeztél betanítást az Azure ML SDK-val, és ellenőrizted a modell magyarázatait. Telepítetted a legjobb modellt, és képes voltál fogyasztani azt az Azure ML SDK-n keresztül. | Egy dataset-en AutoML segítségével végeztél betanítást az Azure ML SDK-val, és ellenőrizted a modell magyarázatait. Telepítetted a legjobb modellt, és képes voltál fogyasztani azt az Azure ML SDK-n keresztül. | Egy dataset-en AutoML segítségével végeztél betanítást az Azure ML SDK-val. Telepítetted a legjobb modellt, és képes voltál fogyasztani azt az Azure ML SDK-n keresztül. |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/5-Data-Science-In-Cloud/README.md b/translations/hu/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..faba6dd0
--- /dev/null
+++ b/translations/hu/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:52:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány a felhőben
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hu.jpg)
+
+> Fotó: [Jelleke Vanooteghem](https://unsplash.com/@ilumire) az [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) oldaláról
+
+Amikor nagy adathalmazokkal végzünk adattudományi munkát, a felhő igazi fordulópont lehet. A következő három leckében megnézzük, mi is az a felhő, és miért lehet rendkívül hasznos. Emellett megvizsgálunk egy szívelégtelenséggel kapcsolatos adathalmazt, és készítünk egy modellt, amely segít felmérni valakinek a szívelégtelenség valószínűségét. A felhő erejét fogjuk használni a modell betanítására, telepítésére és használatára két különböző módon. Az egyik módszer kizárólag a felhasználói felületet használja egy Low code/No code megközelítésben, a másik pedig az Azure Machine Learning Software Developer Kit (Azure ML SDK) segítségével történik.
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hu.png)
+
+### Témakörök
+
+1. [Miért használjunk felhőt az adattudományhoz?](17-Introduction/README.md)
+2. [Adattudomány a felhőben: A "Low code/No code" megközelítés](18-Low-Code/README.md)
+3. [Adattudomány a felhőben: Az "Azure ML SDK" megközelítés](19-Azure/README.md)
+
+### Köszönetnyilvánítás
+Ezek a leckék ☁️-vel és 💕-vel készültek [Maud Levy](https://twitter.com/maudstweets) és [Tiffany Souterre](https://twitter.com/TiffanySouterre) által.
+
+A Szívelégtelenség előrejelzési projekt adatai [
+Larxel](https://www.kaggle.com/andrewmvd) jóvoltából származnak a [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) oldaláról. Az adatok a [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) licenc alatt érhetők el.
+
+---
+
+**Felelősségkizárás**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..bb11732a
--- /dev/null
+++ b/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,148 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:45:32+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány a való világban
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Adattudomány a való világban - _Sketchnote by [@nitya](https://twitter.com/nitya)_               |
+
+Majdnem a tanulási utazás végére értünk!
+
+Az adattudomány és etika definícióival kezdtük, különböző eszközöket és technikákat fedeztünk fel az adatelemzéshez és vizualizációhoz, áttekintettük az adattudomány életciklusát, valamint megvizsgáltuk, hogyan lehet az adattudományi munkafolyamatokat méretezni és automatizálni felhőalapú szolgáltatásokkal. Valószínűleg most azt kérdezed: _"Hogyan tudom mindezt a való világban alkalmazni?"_
+
+Ebben a leckében az adattudomány iparági alkalmazásait vizsgáljuk meg, és konkrét példákat nézünk meg a kutatás, digitális humán tudományok és fenntarthatóság területén. Megnézzük a diákprojektek lehetőségeit, és hasznos forrásokkal zárjuk, amelyek segítenek folytatni a tanulási utadat!
+
+## Előadás előtti kvíz
+
+[Előadás előtti kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Adattudomány + Ipar
+
+Az AI demokratizálásának köszönhetően a fejlesztők számára egyre könnyebb AI-alapú döntéshozatali és adatvezérelt betekintéseket integrálni a felhasználói élményekbe és fejlesztési munkafolyamatokba. Íme néhány példa arra, hogyan alkalmazzák az adattudományt a való világban az ipar különböző területein:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) az adattudományt használta arra, hogy összefüggést találjon a keresési kifejezések és az influenzatrendek között. Bár a megközelítésnek voltak hibái, felhívta a figyelmet az adatvezérelt egészségügyi előrejelzések lehetőségeire (és kihívásaira).
+
+ * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - bemutatja, hogyan használja az UPS az adattudományt és gépi tanulást az optimális útvonalak előrejelzésére, figyelembe véve az időjárási viszonyokat, forgalmi mintákat, szállítási határidőket és egyebeket.
+
+ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - az [Információszabadság törvények](https://chriswhong.com/open-data/foil_nyc_taxi/) alapján gyűjtött adatok segítségével vizualizálták egy napot az NYC taxik életéből, megértve, hogyan navigálnak a zsúfolt városban, mennyi pénzt keresnek, és mennyi ideig tartanak az utazások egy 24 órás időszak alatt.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - napi szinten gyűjtött adatok (felvételi és leadási helyek, utazási időtartam, preferált útvonalak stb.) felhasználásával épít adattudományi eszközt az árképzés, biztonság, csalásfelismerés és navigációs döntések támogatására.
+
+ * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - a _prediktív analitikára_ (csapat- és játékoselemzés - gondolj [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - és rajongói menedzsmentre) és _adatvizualizációra_ (csapat- és rajongói irányítópultok, játékok stb.) összpontosít, olyan alkalmazásokkal, mint tehetségkutatás, sportfogadás és készlet/helyszín menedzsment.
+
+ * [Adattudomány a banki szektorban](https://data-flair.training/blogs/data-science-in-banking/) - kiemeli az adattudomány értékét a pénzügyi iparban, olyan alkalmazásokkal, mint kockázatmodellezés, csalásfelismerés, ügyfél szegmentáció, valós idejű előrejelzés és ajánlórendszerek. A prediktív analitika kritikus intézkedéseket is támogat, mint például [hitelpontszámok](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Adattudomány az egészségügyben](https://data-flair.training/blogs/data-science-in-healthcare/) - kiemeli az alkalmazásokat, mint orvosi képalkotás (pl. MRI, röntgen, CT-vizsgálat), genomika (DNS szekvenálás), gyógyszerfejlesztés (kockázatértékelés, siker előrejelzés), prediktív analitika (betegellátás és ellátási logisztika), betegségek nyomon követése és megelőzése stb.
+
+![Adattudomány alkalmazásai a való világban](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hu.png) Kép forrása: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+A fenti ábra további területeket és példákat mutat be az adattudományi technikák alkalmazására. Szeretnél további alkalmazásokat felfedezni? Nézd meg az [Áttekintés és önálló tanulás](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) szekciót alább.
+
+## Adattudomány + Kutatás
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Adattudomány és Kutatás - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+Míg a való világban az alkalmazások gyakran az ipari felhasználási esetekre összpontosítanak, a _kutatási_ alkalmazások és projektek két szempontból is hasznosak lehetnek:
+
+* _innovációs lehetőségek_ - fejlett koncepciók gyors prototípusának kidolgozása és felhasználói élmények tesztelése a következő generációs alkalmazásokhoz.
+* _telepítési kihívások_ - az adattudományi technológiák potenciális káros hatásainak vagy nem szándékos következményeinek vizsgálata a való világban.
+
+A diákok számára ezek a kutatási projektek tanulási és együttműködési lehetőségeket kínálhatnak, amelyek javíthatják a téma megértését, és szélesíthetik a releváns emberekkel vagy csapatokkal való kapcsolataikat az érdeklődési területeken. De hogyan néznek ki ezek a kutatási projektek, és milyen hatással lehetnek?
+
+Nézzünk meg egy példát - az [MIT Gender Shades Study](http://gendershades.org/overview.html) projektet Joy Buolamwini (MIT Media Labs) vezetésével, amelyhez egy [jelentős kutatási tanulmány](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) is kapcsolódik, Timnit Gebru (akkor Microsoft Research) társszerzőként. A projekt célja:
+
+ * **Mi:** A kutatási projekt célja az volt, hogy _értékelje az automatikus arcfelismerési algoritmusok és adathalmazok torzításait_ nem és bőrtípus alapján.
+ * **Miért:** Az arcfelismerés olyan területeken használatos, mint a bűnüldözés, repülőtéri biztonság, munkaerő-felvételi rendszerek és mások - olyan kontextusok, ahol a pontatlan osztályozás (pl. torzítás miatt) gazdasági és társadalmi károkat okozhat az érintett egyéneknek vagy csoportoknak. A torzítások megértése (és megszüntetése vagy enyhítése) kulcsfontosságú a használat méltányosságához.
+ * **Hogyan:** A kutatók felismerték, hogy a meglévő referenciaértékek túlnyomórészt világos bőrű alanyokat használtak, és egy új adathalmazt (1000+ kép) állítottak össze, amely _kiegyensúlyozottabb_ volt nem és bőrtípus szerint. Az adathalmazt három nemi osztályozási termék (Microsoft, IBM és Face++) pontosságának értékelésére használták.
+
+Az eredmények azt mutatták, hogy bár az általános osztályozási pontosság jó volt, észrevehető különbség volt a hibaarányok között az egyes alcsoportok esetében - a **rossz nemi besorolás** gyakoribb volt nőknél vagy sötétebb bőrtípusú személyeknél, ami torzításra utal.
+
+**Fő eredmények:** Felhívta a figyelmet arra, hogy az adattudománynak szüksége van _reprezentatívabb adathalmazokra_ (kiegyensúlyozott alcsoportok) és _inkluzívabb csapatokra_ (sokszínű háttérrel), hogy korábban felismerjék és megszüntessék vagy enyhítsék az ilyen torzításokat az AI megoldásokban. Az ilyen kutatási erőfeszítések kulcsfontosságúak abban, hogy sok szervezet meghatározza az _felelős AI_ elveit és gyakorlatát, hogy javítsa a méltányosságot AI termékeik és folyamataik során.
+
+**Szeretnél többet megtudni a Microsoft releváns kutatási erőfeszítéseiről?**
+
+* Nézd meg a [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) oldalát az AI területén.
+* Fedezd fel a diákprojektek lehetőségeit a [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) programban.
+* Nézd meg a [Fairlearn](https://fairlearn.org/) projektet és a [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) kezdeményezéseket.
+
+## Adattudomány + Humán tudományok
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Adattudomány és Digitális Humán tudományok - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+A digitális humán tudományokat [úgy definiálták](https://digitalhumanities.stanford.edu/about-dh-stanford), mint "gyakorlatok és megközelítések gyűjteménye, amelyek kombinálják a számítástechnikai módszereket a humán tudományos kutatással". A [Stanford projektek](https://digitalhumanities.stanford.edu/projects), mint például _"rebooting history"_ és _"poetic thinking"_ bemutatják a kapcsolatot a [Digitális Humán tudományok és Adattudomány](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) között - hangsúlyozva olyan technikákat, mint hálózatelemzés, információvizualizáció, térbeli és szövegelemzés, amelyek segíthetnek új betekintéseket és perspektívákat nyerni történelmi és irodalmi adathalmazokból.
+
+*Szeretnél felfedezni és kiterjeszteni egy projektet ezen a területen?*
+
+Nézd meg az ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) projektet - egy remek példát [Jen Looper](https://twitter.com/jenlooper) munkájából, amely azt kérdezi, hogyan használhatjuk az adattudományt, hogy újraértékeljük az ismert költészetet, és új kontextusban vizsgáljuk meg annak jelentését és szerzőjének hozzájárulását. Például, _meg tudjuk-e jósolni, hogy egy vers melyik évszakban íródott a hangulatának vagy érzelmi tónusának elemzésével_ - és mit mond ez nekünk a szerző lelkiállapotáról az adott időszakban?
+
+Ennek a kérdésnek a megválaszolásához követjük az adattudományi életciklus lépéseit:
+ * [`Adatgyűjtés`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - releváns adathalmaz gyűjtése elemzéshez. Lehetőségek közé tartozik API használata (pl. [Poetry DB API](https://poetrydb.org/index.html)) vagy weboldalak adatainak lekaparása (pl. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) olyan eszközökkel, mint [Scrapy](https://scrapy.org/).
+ * [`Adattisztítás`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - bemutatja, hogyan lehet a szöveget formázni, tisztítani és egyszerűsíteni alapvető eszközökkel, mint a Visual Studio Code és Microsoft Excel.
+ * [`Adatelemzés`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - bemutatja, hogyan importálhatjuk az adathalmazt "Notebookokba" elemzéshez Python csomagokkal (mint pandas, numpy és matplotlib), hogy szervezzük és vizualizáljuk az adatokat.
+ * [`Érzelemelemzés`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - bemutatja, hogyan integrálhatunk felhőszolgáltatásokat, mint például Text Analytics, alacsony kódú eszközökkel, mint [Power Automate](https://flow.microsoft.com/en-us/) az automatizált adatfeldolgozási munkafolyamatokhoz.
+
+Ezzel a munkafolyamattal felfedezhetjük a szezonális hatásokat a versek érzelmi tónusára, és segíthetünk saját perspektíváink kialakításában a szerzőről. Próbáld ki magad - majd bővítsd a notebookot, hogy más kérdéseket tegyél fel, vagy új módokon vizualizáld az adatokat!
+
+> Használhatod a [Digitális Humán tudományok eszköztárának](https://github.com/Digital-Humanities-Toolkit) néhány eszközét, hogy folytasd ezeket a kutatásokat.
+
+## Adattudomány + Fenntarthatóság
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Adattudomány és Fenntarthatóság - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+A [2030 Fenntartható Fejlődési Agenda](https://sdgs.un.org/2030agenda) - amelyet az ENSZ minden tagja elfogadott 2015-ben - 17 célt határoz meg, köztük olyanokat, amelyek a **bolygó védelmére** összpontosítanak a degradációtól és az éghajlatváltozás hatásaitól. A [Microsoft Fenntarthatósági](https://www.microsoft.com/en-us/sustainability) kezdeményezés támogatja ezeket a célokat, azzal, hogy technológiai megoldásokat keres és fejleszt a fenntarthatóbb jövők érdekében, [4 célra összpontosítva](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - szén-negatív
+**A Planetary Computer Project jelenleg előzetes verzióban van (2021. szeptember)** - íme, hogyan kezdheted el hozzájárulásodat a fenntarthatósági megoldásokhoz adattudomány segítségével.
+
+* [Kérj hozzáférést](https://planetarycomputer.microsoft.com/account/request), hogy elkezdhesd a felfedezést és kapcsolatba léphess másokkal.
+* [Fedezd fel a dokumentációt](https://planetarycomputer.microsoft.com/docs/overview/about), hogy megértsd a támogatott adatállományokat és API-kat.
+* Fedezz fel alkalmazásokat, mint például az [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/), hogy inspirációt nyerj alkalmazási ötletekhez.
+
+Gondolkodj azon, hogyan használhatod az adatvizualizációt arra, hogy releváns betekintéseket tárj fel vagy erősíts meg olyan területeken, mint a klímaváltozás és az erdőirtás. Vagy gondolkodj azon, hogyan lehet ezeket a betekintéseket új felhasználói élmények létrehozására használni, amelyek viselkedésbeli változásokat motiválnak a fenntarthatóbb élet érdekében.
+
+## Adattudomány + Diákok
+
+Beszéltünk az iparban és kutatásban alkalmazott valós példákról, valamint felfedeztünk adattudományi alkalmazási példákat a digitális humán tudományokban és a fenntarthatóság területén. Hogyan építheted fel készségeidet és oszthatod meg szakértelmedet adattudományi kezdőként?
+
+Íme néhány példa adattudományi diákprojektekre, amelyek inspirálhatnak.
+
+ * [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) GitHub [projektek](https://github.com/msr-ds3) témákkal, mint például:
+    - [Faji elfogultság a rendőri erőszak alkalmazásában](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+    - [A New York-i metró rendszer megbízhatósága](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+ * [Anyagi kultúra digitalizálása: társadalmi-gazdasági eloszlások vizsgálata Sirkapban](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) és csapata Claremontból, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) használatával.
+
+## 🚀 Kihívás
+
+Keress cikkeket, amelyek kezdőbarát adattudományi projekteket ajánlanak - például [ez az 50 téma](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [ez a 21 projektötlet](https://www.intellspot.com/data-science-project-ideas) vagy [ez a 16 projekt forráskóddal](https://data-flair.training/blogs/data-science-project-ideas/), amelyeket elemezhetsz és újraalkothatsz. Ne felejtsd el blogolni tanulási utazásaidról, és oszd meg betekintéseidet velünk.
+
+## Előadás utáni kvíz
+
+[Előadás utáni kvíz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Áttekintés és önálló tanulás
+
+Szeretnél további felhasználási eseteket felfedezni? Íme néhány releváns cikk:
+ * [17 adattudományi alkalmazás és példa](https://builtin.com/data-science/data-science-applications-examples) - 2021. július
+ * [11 lenyűgöző adattudományi alkalmazás a való világban](https://myblindbird.com/data-science-applications-real-world/) - 2021. május
+ * [Adattudomány a való világban](https://towardsdatascience.com/data-science-in-the-real-world/home) - cikkgyűjtemény
+ * Adattudomány az alábbi területeken: [Oktatás](https://data-flair.training/blogs/data-science-in-education/), [Mezőgazdaság](https://data-flair.training/blogs/data-science-in-agriculture/), [Pénzügy](https://data-flair.training/blogs/data-science-in-finance/), [Filmek](https://data-flair.training/blogs/data-science-at-movies/) és még sok más.
+
+## Feladat
+
+[Fedezz fel egy Planetary Computer adatállományt](assignment.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..65b73d9b
--- /dev/null
+++ b/translations/hu/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:51:31+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "hu"
+}
+-->
+# Fedezz fel egy Planetary Computer adatállományt
+
+## Útmutató
+
+Ebben a leckében különböző adat-tudományi alkalmazási területekről beszéltünk – mélyebben belemerülve a kutatás, fenntarthatóság és digitális humán tudományok példáiba. Ebben a feladatban ezek közül az egyik példát fogod részletesebben megvizsgálni, és alkalmazni fogod az adatvizualizációval és elemzéssel kapcsolatos tanulmányaidat, hogy fenntarthatósági adatokból nyerj betekintést.
+
+A [Planetary Computer](https://planetarycomputer.microsoft.com/) projekt adatállományokat és API-kat kínál, amelyekhez fiókkal lehet hozzáférni – kérj hozzáférést, ha szeretnéd kipróbálni a feladat bónusz lépését. Az oldal egy [Explorer](https://planetarycomputer.microsoft.com/explore) funkciót is biztosít, amelyet fiók létrehozása nélkül is használhatsz.
+
+`Lépések:`
+Az Explorer felület (az alábbi képernyőképen látható) lehetővé teszi, hogy kiválassz egy adatállományt (a megadott lehetőségek közül), egy előre beállított lekérdezést (az adatok szűrésére), és egy megjelenítési opciót (releváns vizualizáció létrehozására). Ebben a feladatban a következőket kell tenned:
+
+ 1. Olvasd el az [Explorer dokumentációját](https://planetarycomputer.microsoft.com/docs/overview/explorer/) – értsd meg a lehetőségeket.
+ 2. Fedezd fel az adatállományok [katalógusát](https://planetarycomputer.microsoft.com/catalog) – ismerd meg mindegyik célját.
+ 3. Használd az Explorert – válassz egy érdekes adatállományt, válassz egy releváns lekérdezést és megjelenítési opciót.
+
+![A Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hu.png)
+
+`Feladatod:`
+Tanulmányozd a böngészőben megjelenített vizualizációt, és válaszolj az alábbiakra:
+ * Milyen _jellemzői_ vannak az adatállománynak?
+ * Milyen _betekintést_ vagy eredményeket nyújt a vizualizáció?
+ * Milyen _következményei_ vannak ezeknek a betekintéseknek a projekt fenntarthatósági céljaira?
+ * Milyen _korlátai_ vannak a vizualizációnak (azaz milyen betekintést nem kaptál meg)?
+ * Ha hozzáférnél a nyers adatokhoz, milyen _alternatív vizualizációkat_ készítenél, és miért?
+
+`Bónusz pontok:`
+Jelentkezz egy fiókra – és lépj be, ha elfogadták.
+ * Használd a _Launch Hub_ opciót, hogy megnyisd a nyers adatokat egy Notebookban.
+ * Fedezd fel az adatokat interaktívan, és valósítsd meg az általad elképzelt alternatív vizualizációkat.
+ * Elemezd az egyedi vizualizációidat – sikerült-e olyan betekintéseket nyerni, amelyeket korábban nem kaptál meg?
+
+## Értékelési szempontok
+
+Kiemelkedő | Megfelelő | Fejlesztésre szorul
+--- | --- | -- |
+Mind az öt alapvető kérdésre válaszolt. A diák egyértelműen azonosította, hogyan nyújthatnak a jelenlegi és alternatív vizualizációk betekintést a fenntarthatósági célokba vagy eredményekbe. | A diák legalább az első három kérdésre részletesen válaszolt, ami azt mutatja, hogy gyakorlati tapasztalatot szerzett az Explorer használatával. | A diák több kérdésre nem válaszolt, vagy nem adott elegendő részletet – ami arra utal, hogy nem tett jelentős erőfeszítést a projekt elvégzésére. |
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/6-Data-Science-In-Wild/README.md b/translations/hu/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..0be0baa7
--- /dev/null
+++ b/translations/hu/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:43:59+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány a gyakorlatban
+
+Az adattudomány valós alkalmazásai különböző iparágakban.
+
+### Témák
+
+1. [Adattudomány a való világban](20-Real-World-Examples/README.md)
+
+### Köszönetnyilvánítás
+
+Írta szeretettel: [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/CODE_OF_CONDUCT.md b/translations/hu/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..a439c50b
--- /dev/null
+++ b/translations/hu/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:23:48+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "hu"
+}
+-->
+# Microsoft Nyílt Forráskódú Magatartási Kódex
+
+Ez a projekt a [Microsoft Nyílt Forráskódú Magatartási Kódexét](https://opensource.microsoft.com/codeofconduct/) fogadta el.
+
+Források:
+
+- [Microsoft Nyílt Forráskódú Magatartási Kódex](https://opensource.microsoft.com/codeofconduct/)
+- [Microsoft Magatartási Kódex GYIK](https://opensource.microsoft.com/codeofconduct/faq/)
+- Kérdésekkel vagy aggályokkal forduljon a [opencode@microsoft.com](mailto:opencode@microsoft.com) címhez
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/CONTRIBUTING.md b/translations/hu/CONTRIBUTING.md
new file mode 100644
index 00000000..426c7485
--- /dev/null
+++ b/translations/hu/CONTRIBUTING.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:26:35+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "hu"
+}
+-->
+# Hozzájárulás
+
+Ez a projekt szívesen fogad hozzájárulásokat és javaslatokat. A legtöbb hozzájárulás esetén szükséges, hogy elfogadj egy Hozzájárulói Licencszerződést (Contributor License Agreement, CLA), amelyben kijelented, hogy jogod van a hozzájárulásod felhasználási jogait nekünk átadni, és ezt ténylegesen meg is teszed. Részletekért látogasd meg a https://cla.microsoft.com oldalt.
+
+Amikor egy pull requestet nyújtasz be, a CLA-bot automatikusan ellenőrzi, hogy szükséges-e CLA-t biztosítanod, és ennek megfelelően megjelöli a PR-t (pl. címkével, megjegyzéssel). Egyszerűen kövesd a bot által adott utasításokat. Ezt csak egyszer kell megtenned az összes olyan repozitórium esetében, amely a CLA-t használja.
+
+Ez a projekt a [Microsoft Nyílt Forráskódú Magatartási Kódexét](https://opensource.microsoft.com/codeofconduct/) alkalmazza. További információért lásd a [Magatartási Kódex GYIK](https://opensource.microsoft.com/codeofconduct/faq/) oldalt, vagy lépj kapcsolatba a [opencode@microsoft.com](mailto:opencode@microsoft.com) címen bármilyen további kérdéssel vagy megjegyzéssel.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/README.md b/translations/hu/README.md
new file mode 100644
index 00000000..f074086a
--- /dev/null
+++ b/translations/hu/README.md
@@ -0,0 +1,164 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:15:27+00:00",
+  "source_file": "README.md",
+  "language_code": "hu"
+}
+-->
+# Adattudomány kezdőknek - Tananyag
+
+Azure Cloud Advocates a Microsoftnál örömmel kínál egy 10 hetes, 20 leckéből álló tananyagot az adattudományról. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást és feladatot. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását.
+
+**Szívből köszönjük szerzőinknek:** [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).
+
+**🙏 Külön köszönet 🙏 a [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) szerzőknek, lektoroknak és tartalomhozzájárulóknak,** különösen 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) ](./sketchnotes/00-Title.png)|
+|:---:|
+| Adattudomány kezdőknek - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## Bejelentés - Új tananyag a generatív AI-ról!
+
+Most jelentettünk meg egy 12 leckéből álló tananyagot a generatív AI-ról. Tanulj meg olyan dolgokat, mint:
+
+- promptok és prompt tervezés
+- szöveg- és képalkalmazások létrehozása
+- keresési alkalmazások
+
+Ahogy mindig, minden leckéhez tartozik feladat, tudásellenőrzés és kihívások.
+
+Nézd meg:
+
+> https://aka.ms/genai-beginners
+
+# Diák vagy?
+
+Kezdd el az alábbi forrásokkal:
+
+- [Student Hub oldal](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Ezen az oldalon kezdő forrásokat, diákcsomagokat és akár ingyenes tanúsítvány-vouchert is találhatsz. Ez egy olyan oldal, amit érdemes könyvjelzőzni és időnként ellenőrizni, mivel havonta cseréljük a tartalmat.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Csatlakozz egy globális diák nagyköveti közösséghez, ez lehet az utad a Microsofthoz.
+
+# Kezdés
+
+> **Tanárok**: [néhány javaslatot is mellékeltünk](for-teachers.md) arra vonatkozóan, hogyan használhatjátok ezt a tananyagot. Örömmel fogadjuk visszajelzéseiteket [a vitafórumunkon](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Diákok](https://aka.ms/student-page)**: ha önállóan szeretnéd használni ezt a tananyagot, forkold az egész repót, és végezd el a gyakorlatokat önállóan, kezdve az előzetes kvízzel. Ezután olvasd el az előadást, és végezd el a többi tevékenységet. Próbáld meg a projekteket úgy létrehozni, hogy megérted a leckéket, nem pedig a megoldáskódot másolod; azonban a kód elérhető a /solutions mappákban minden projektalapú leckénél. Egy másik ötlet az lehet, hogy tanulócsoportot alakítasz barátaiddal, és együtt haladtok a tartalommal. További tanulmányokhoz ajánljuk a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) platformot.
+
+## Ismerd meg a csapatot
+
+[![Promo videó](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo videó")
+
+**Gif készítette** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Kattints a fenti képre egy videóért a projektről és azokról, akik létrehozták!
+
+## Pedagógia
+
+Két pedagógiai alapelvet választottunk a tananyag összeállításakor: biztosítani, hogy projektalapú legyen, és hogy gyakori kvízeket tartalmazzon. A sorozat végére a diákok megtanulják az adattudomány alapelveit, beleértve az etikai fogalmakat, az adatok előkészítését, az adatokkal való munka különböző módjait, adatvizualizációt, adatelemzést, az adattudomány valós alkalmazásait és még sok mást.
+
+Ezenkívül egy alacsony tétű kvíz az óra előtt beállítja a diák szándékát a téma tanulására, míg egy második kvíz az óra után biztosítja a további rögzülést. Ez a tananyag rugalmasnak és szórakoztatónak készült, és egészében vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 10 hetes ciklus végére egyre összetettebbé válnak.
+
+> Találd meg a [Magatartási kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási](CONTRIBUTING.md), [Fordítási](TRANSLATIONS.md) irányelveinket. Örömmel fogadjuk építő jellegű visszajelzéseidet!
+
+## Minden lecke tartalmaz:
+
+- Opcionális sketchnote
+- Opcionális kiegészítő videó
+- Előzetes bemelegítő kvíz
+- Írásos lecke
+- Projektalapú leckék esetén lépésről lépésre útmutató a projekt elkészítéséhez
+- Tudásellenőrzések
+- Kihívás
+- Kiegészítő olvasmány
+- Feladat
+- Utólagos kvíz
+
+> **Megjegyzés a kvízekről**: Minden kvíz a Quiz-App mappában található, összesen 40 darab három kérdéses kvíz. A leckékből hivatkozva érhetők el, de a kvíz alkalmazás helyileg futtatható vagy Azure-ra telepíthető; kövesd az utasításokat a `quiz-app` mappában. Fokozatosan lokalizáljuk őket.
+
+## Leckék
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Adattudomány kezdőknek: Útmutató - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+| Lecke száma | Téma | Leckecsoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Az adattudomány meghatározása | [Bevezetés](1-Introduction/README.md) | Ismerd meg az adattudomány alapfogalmait, és hogyan kapcsolódik a mesterséges intelligenciához, gépi tanuláshoz és big data-hoz. | [lecke](1-Introduction/01-defining-data-science/README.md) [videó](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Az adattudomány etikája | [Bevezetés](1-Introduction/README.md) | Adatetikai fogalmak, kihívások és keretrendszerek. | [lecke](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Az adatok meghatározása | [Bevezetés](1-Introduction/README.md) | Hogyan osztályozzuk az adatokat és azok általános forrásait. | [lecke](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Bevezetés a statisztikába és valószínűségszámításba | [Bevezetés](1-Introduction/README.md) | A statisztika és valószínűség matematikai technikái az adatok megértéséhez. | [lecke](1-Introduction/04-stats-and-probability/README.md) [videó](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Relációs adatokkal való munka | [Adatokkal való munka](2-Working-With-Data/README.md) | Bevezetés a relációs adatokba és az SQL (Structured Query Language) alapjaiba, amelyet „szí-kvell”-nek ejtünk. | [lecke](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | NoSQL adatokkal való munka | [Adatokkal való munka](2-Working-With-Data/README.md) | Bevezetés a nem relációs adatokba, azok különböző típusai és a dokumentumadatbázisok alapjai. | [lecke](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Python használata | [Adatokkal való munka](2-Working-With-Data/README.md) | Alapok a Python használatához az adatok feltárásában, például Pandas könyvtárakkal. Ajánlott a Python programozás alapjainak ismerete. | [lecke](2-Working-With-Data/07-python/README.md) [videó](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Adatelőkészítés | [Adatokkal dolgozni](2-Working-With-Data/README.md) | Témák az adatok tisztításáról és átalakításáról, hogy kezelni lehessen a hiányzó, pontatlan vagy hiányos adatokat. | [lecke](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Mennyiségek vizualizálása | [Adatvizualizáció](3-Data-Visualization/README.md) | Tanuld meg, hogyan használhatod a Matplotlib-et madáradatok vizualizálására 🦆 | [lecke](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Adateloszlások vizualizálása | [Adatvizualizáció](3-Data-Visualization/README.md) | Megfigyelések és trendek vizualizálása egy intervallumon belül. | [lecke](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Arányok vizualizálása | [Adatvizualizáció](3-Data-Visualization/README.md) | Diszkrét és csoportosított százalékok vizualizálása. | [lecke](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Kapcsolatok vizualizálása | [Adatvizualizáció](3-Data-Visualization/README.md) | Kapcsolatok és korrelációk vizualizálása adathalmazok és azok változói között. | [lecke](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Jelentőségteljes vizualizációk | [Adatvizualizáció](3-Data-Visualization/README.md) | Technikák és útmutatók, amelyek segítenek értékes vizualizációkat készíteni hatékony problémamegoldás és betekintések érdekében. | [lecke](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Bevezetés az adattudomány életciklusába | [Életciklus](4-Data-Science-Lifecycle/README.md) | Bevezetés az adattudomány életciklusába és annak első lépésébe, az adatok megszerzésébe és kinyerésébe. | [lecke](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Elemzés | [Életciklus](4-Data-Science-Lifecycle/README.md) | Az adattudomány életciklusának ezen szakasza az adatok elemzésére összpontosít. | [lecke](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Kommunikáció | [Életciklus](4-Data-Science-Lifecycle/README.md) | Az adattudomány életciklusának ezen szakasza az adatokból származó betekintések bemutatására összpontosít, hogy a döntéshozók számára könnyebben érthető legyen. | [lecke](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Adattudomány a felhőben | [Felhőadatok](5-Data-Science-In-Cloud/README.md) | Ez a leckesorozat bemutatja az adattudományt a felhőben és annak előnyeit. | [lecke](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) és [Maud](https://twitter.com/maudstweets) |
+| 18 | Adattudomány a felhőben | [Felhőadatok](5-Data-Science-In-Cloud/README.md) | Modellek tanítása alacsony kódú eszközökkel. | [lecke](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) és [Maud](https://twitter.com/maudstweets) |
+| 19 | Adattudomány a felhőben | [Felhőadatok](5-Data-Science-In-Cloud/README.md) | Modellek telepítése az Azure Machine Learning Studio segítségével. | [lecke](5-Data-Science-In-Cloud/19-Azure/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) és [Maud](https://twitter.com/maudstweets) |
+| 20 | Adattudomány a való világban | [Való világban](6-Data-Science-In-Wild/README.md) | Adattudomány által vezérelt projektek a való életben. | [lecke](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Kövesd az alábbi lépéseket, hogy megnyisd ezt a mintát egy Codespace-ben:
+1. Kattints a Code legördülő menüre, és válaszd az Open with Codespaces opciót.
+2. Válaszd a + New codespace lehetőséget a panel alján.
+További információért nézd meg a [GitHub dokumentációt](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Kövesd az alábbi lépéseket, hogy megnyisd ezt a repót egy konténerben a helyi gépeden és a VSCode-ban a VS Code Remote - Containers bővítmény segítségével:
+
+1. Ha először használsz fejlesztői konténert, győződj meg róla, hogy a rendszered megfelel az előfeltételeknek (például telepítve van a Docker) a [kezdő dokumentációban](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+A repó használatához megnyithatod a repót egy izolált Docker kötetben:
+
+**Megjegyzés**: A háttérben ez a Remote-Containers: **Clone Repository in Container Volume...** parancsot fogja használni, hogy a forráskódot egy Docker kötetben klónozza a helyi fájlrendszer helyett. [Kötetek](https://docs.docker.com/storage/volumes/) az ajánlott mechanizmus a konténer adatok megőrzésére.
+
+Vagy megnyithatod a repó helyileg klónozott vagy letöltött verzióját:
+
+- Klónozd ezt a repót a helyi fájlrendszeredre.
+- Nyomd meg az F1-et, és válaszd a **Remote-Containers: Open Folder in Container...** parancsot.
+- Válaszd ki ennek a mappának a klónozott példányát, várd meg, amíg a konténer elindul, és próbáld ki.
+
+## Offline hozzáférés
+
+Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) segítségével. Forkold ezt a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépedre, majd a repó gyökérmappájában írd be: `docsify serve`. A weboldal a localhost 3000-es portján lesz elérhető: `localhost:3000`.
+
+> Megjegyzés: A jegyzetfüzetek nem lesznek megjelenítve a Docsify segítségével, így ha jegyzetfüzetet kell futtatnod, azt külön végezd el a VS Code-ban, Python kernel használatával.
+
+## Segítségre van szükségünk!
+
+Ha szeretnéd lefordítani a tananyagot részben vagy egészben, kövesd a [Fordítások](TRANSLATIONS.md) útmutatónkat.
+
+## Egyéb tananyagok
+
+Csapatunk más tananyagokat is készít! Nézd meg:
+
+- [Generatív AI kezdőknek](https://aka.ms/genai-beginners)
+- [Generatív AI kezdőknek .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generatív AI JavaScript-tel](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generatív AI Java-val](https://aka.ms/genaijava)
+- [AI kezdőknek](https://aka.ms/ai-beginners)
+- [Adattudomány kezdőknek](https://aka.ms/datascience-beginners)
+- [ML kezdőknek](https://aka.ms/ml-beginners)
+- [Kiberbiztonság kezdőknek](https://github.com/microsoft/Security-101) 
+- [Webfejlesztés kezdőknek](https://aka.ms/webdev-beginners)
+- [IoT kezdőknek](https://aka.ms/iot-beginners)
+- [XR fejlesztés kezdőknek](https://github.com/microsoft/xr-development-for-beginners)
+- [GitHub Copilot mesterfokon páros programozáshoz](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [GitHub Copilot mesterfokon C#/.NET fejlesztőknek](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Válaszd ki a saját Copilot kalandodat](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/SECURITY.md b/translations/hu/SECURITY.md
new file mode 100644
index 00000000..01d9225a
--- /dev/null
+++ b/translations/hu/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:24:36+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "hu"
+}
+-->
+## Biztonság
+
+A Microsoft komolyan veszi szoftvertermékei és szolgáltatásai biztonságát, beleértve az összes forráskód-tárházat, amelyeket GitHub szervezeteinken keresztül kezelünk, például a [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) és [további GitHub szervezeteink](https://opensource.microsoft.com/).
+
+Ha úgy gondolja, hogy biztonsági sebezhetőséget talált bármely Microsoft tulajdonában lévő tárházban, amely megfelel a [Microsoft biztonsági sebezhetőség definíciójának](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), kérjük, jelentse nekünk az alábbiakban leírt módon.
+
+## Biztonsági problémák jelentése
+
+**Kérjük, ne jelentsen biztonsági sebezhetőségeket nyilvános GitHub-issue-kon keresztül.**
+
+Ehelyett jelentse azokat a Microsoft Security Response Center (MSRC) weboldalán: [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Ha inkább bejelentkezés nélkül szeretne jelentést tenni, küldjön e-mailt a [secure@microsoft.com](mailto:secure@microsoft.com) címre. Ha lehetséges, titkosítsa üzenetét a PGP kulcsunkkal; letöltheti azt a [Microsoft Security Response Center PGP Key oldaláról](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+24 órán belül választ kell kapnia. Ha valamilyen okból nem kap választ, kérjük, kövesse nyomon e-mailben, hogy megbizonyosodjon arról, hogy megkaptuk az eredeti üzenetét. További információkért látogasson el a [microsoft.com/msrc](https://www.microsoft.com/msrc) oldalra.
+
+Kérjük, hogy a lehető legtöbb alábbi információt mellékelje, hogy jobban megérthessük a lehetséges probléma természetét és mértékét:
+
+  * A probléma típusa (pl. puffer túlcsordulás, SQL injekció, cross-site scripting stb.)
+  * Az érintett forrásfájl(ok) teljes elérési útja
+  * Az érintett forráskód helye (tag/ág/commit vagy közvetlen URL)
+  * Bármilyen speciális konfiguráció, amely szükséges a probléma reprodukálásához
+  * Lépésről lépésre leírás a probléma reprodukálásához
+  * Proof-of-concept vagy exploit kód (ha lehetséges)
+  * A probléma hatása, beleértve azt is, hogy egy támadó hogyan használhatná ki a problémát
+
+Ez az információ segít gyorsabban feldolgozni a jelentését.
+
+Ha hibavadász program keretében jelent, a részletesebb jelentések magasabb jutalomhoz vezethetnek. További részletekért látogasson el a [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) oldalára, ahol aktív programjainkról talál információt.
+
+## Előnyben részesített nyelvek
+
+Előnyben részesítjük, ha minden kommunikáció angol nyelven történik.
+
+## Irányelv
+
+A Microsoft a [Koordinált sebezhetőség-nyilvánosságra hozatal](https://www.microsoft.com/en-us/msrc/cvd) elvét követi.
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/SUPPORT.md b/translations/hu/SUPPORT.md
new file mode 100644
index 00000000..ec7c528d
--- /dev/null
+++ b/translations/hu/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:10+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "hu"
+}
+-->
+# Támogatás
+## Hogyan lehet hibákat jelenteni és segítséget kérni  
+
+Ez a projekt a GitHub Issues-t használja a hibák és funkciókérések nyomon követésére. Kérjük, keresse meg a meglévő hibákat, mielőtt újakat jelentene, hogy elkerülje a duplikációkat. Új hibák esetén jelentse a hibát vagy a funkciókérést új Issue-ként.
+
+Ha segítségre vagy kérdése van a projekt használatával kapcsolatban, nyisson egy Issue-t.
+
+## Microsoft Támogatási Irányelve  
+
+Ennek a tárolónak a támogatása az itt felsorolt erőforrásokra korlátozódik.
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/docs/_sidebar.md b/translations/hu/docs/_sidebar.md
new file mode 100644
index 00000000..12be2fe8
--- /dev/null
+++ b/translations/hu/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:58:32+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "hu"
+}
+-->
+- Bevezetés
+  - [Adattudomány meghatározása](../1-Introduction/01-defining-data-science/README.md)
+  - [Az adattudomány etikája](../1-Introduction/02-ethics/README.md)
+  - [Adat meghatározása](../1-Introduction/03-defining-data/README.md)
+  - [Valószínűség és statisztika](../1-Introduction/04-stats-and-probability/README.md)
+- Adatokkal való munka
+  - [Relációs adatbázisok](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Nem relációs adatbázisok](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Adatelőkészítés](../2-Working-With-Data/08-data-preparation/README.md)
+- Adatvizualizáció
+  - [Mennyiségek vizualizálása](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Eloszlások vizualizálása](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Arányok vizualizálása](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Kapcsolatok vizualizálása](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Jelentőségteljes vizualizációk](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Az adattudomány életciklusa
+  - [Bevezetés](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Elemzés](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Kommunikáció](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Adattudomány a felhőben
+  - [Bevezetés](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Adattudomány a gyakorlatban
+  - [Adattudomány a gyakorlatban](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/for-teachers.md b/translations/hu/for-teachers.md
new file mode 100644
index 00000000..30d1cc8a
--- /dev/null
+++ b/translations/hu/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:22:04+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "hu"
+}
+-->
+## Oktatóknak
+
+Szeretné használni ezt a tananyagot az osztályában? Nyugodtan tegye meg!
+
+Valójában a GitHub segítségével is használhatja, a GitHub Classroom funkcióval.
+
+Ehhez forkolja ezt a repót. Minden egyes leckéhez külön repót kell létrehoznia, tehát ki kell emelnie minden mappát egy külön repóba. Így a [GitHub Classroom](https://classroom.github.com/classrooms) külön-külön tudja kezelni az egyes leckéket.
+
+Ezek az [teljes útmutatók](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) segítenek abban, hogyan állítsa be az osztálytermet.
+
+## A repó használata jelenlegi formájában
+
+Ha szeretné a repót úgy használni, ahogy jelenleg van, GitHub Classroom nélkül, az is lehetséges. Ebben az esetben kommunikálnia kell a diákokkal, hogy melyik leckét dolgozzák fel együtt.
+
+Online formátumban (Zoom, Teams vagy más platform) létrehozhat kisebb csoportokat a kvízekhez, és mentorálhatja a diákokat, hogy felkészüljenek a tanulásra. Ezután meghívhatja őket a kvízekre, és kérheti, hogy bizonyos időpontban 'issues'-ként nyújtsák be a válaszaikat. Ugyanezt teheti a feladatokkal is, ha azt szeretné, hogy a diákok nyíltan, együttműködve dolgozzanak.
+
+Ha inkább privát formátumot szeretne, kérje meg a diákokat, hogy forkolják a tananyagot, leckéről leckére, saját GitHub repóikba, privát repóként, és adjanak Önnek hozzáférést. Így a kvízeket és feladatokat privát módon tudják elvégezni, és az Ön osztálytermi repóján keresztül issues formájában nyújthatják be.
+
+Számos módja van annak, hogy ez működjön egy online osztálytermi formátumban. Kérjük, ossza meg velünk, mi működik a legjobban Önnek!
+
+## A tananyag tartalma:
+
+20 lecke, 40 kvíz és 20 feladat. A leckékhez vizuális tanulók számára sketchnote-ok is tartoznak. Sok lecke elérhető Pythonban és R-ben is, és Jupyter notebookok segítségével elvégezhető a VS Code-ban. Tudjon meg többet arról, hogyan állítsa be az osztálytermet ehhez a technológiai környezethez: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Minden sketchnote, beleértve egy nagy formátumú posztert is, ebben a mappában található: [this folder](../../sketchnotes).
+
+A teljes tananyag elérhető [PDF formátumban](../../pdf/readme.pdf).
+
+A tananyagot önálló, offline-barát weboldalként is futtathatja a [Docsify](https://docsify.js.org/#/) segítségével. [Telepítse a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépére, majd a repó helyi másolatának gyökérmappájában írja be: `docsify serve`. A weboldal a localhost 3000-es portján lesz elérhető: `localhost:3000`.
+
+Egy offline-barát verzió önálló weboldalként nyílik meg: https://localhost:3000
+
+A leckék 6 részre vannak osztva:
+
+- 1: Bevezetés
+    - 1: Adattudomány meghatározása
+    - 2: Etika
+    - 3: Adatok meghatározása
+    - 4: Valószínűség és statisztika áttekintése
+- 2: Adatokkal való munka
+    - 5: Relációs adatbázisok
+    - 6: Nem relációs adatbázisok
+    - 7: Python
+    - 8: Adatelőkészítés
+- 3: Adatvizualizáció
+    - 9: Mennyiségek vizualizációja
+    - 10: Eloszlások vizualizációja
+    - 11: Arányok vizualizációja
+    - 12: Kapcsolatok vizualizációja
+    - 13: Értelmes vizualizációk
+- 4: Adattudomány életciklusa
+    - 14: Bevezetés
+    - 15: Elemzés
+    - 16: Kommunikáció
+- 5: Adattudomány a felhőben
+    - 17: Bevezetés
+    - 18: Low-Code lehetőségek
+    - 19: Azure
+- 6: Adattudomány a gyakorlatban
+    - 20: Áttekintés
+
+## Kérjük, ossza meg velünk a véleményét!
+
+Szeretnénk, hogy ez a tananyag Önnek és diákjainak is működjön. Kérjük, adjon visszajelzést a vitafórumokon! Nyugodtan hozzon létre egy osztálytermi területet a vitafórumokon a diákjai számára.
+
+---
+
+**Felelősségkizárás**:  
+Ezt a dokumentumot az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítószolgáltatás segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
\ No newline at end of file
diff --git a/translations/hu/quiz-app/README.md b/translations/hu/quiz-app/README.md
new file mode 100644
index 00000000..b5b5a2bb
--- /dev/null
+++ b/translations/hu/quiz-app/README.md
@@ -0,0 +1,138 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:18:15+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "hu"
+}
+-->
+# Kvízek
+
+Ezek a kvízek a data science tananyag előtti és utáni kvízei, amely elérhető itt: https://aka.ms/datascience-beginners  
+## Fordított kvízkészlet hozzáadása
+
+Fordított kvízt úgy adhatsz hozzá, hogy létrehozod a megfelelő kvízstruktúrákat az `assets/translations` mappákban. Az eredeti kvízek az `assets/translations/en` mappában találhatók. A kvízek több csoportba vannak osztva. Ügyelj arra, hogy a számozás igazodjon a megfelelő kvízszekcióhoz. Összesen 40 kvíz van ebben a tananyagban, a számozás 0-tól kezdődik.
+
+A fordítások szerkesztése után szerkeszd az `index.js` fájlt a fordítási mappában, hogy importáld az összes fájlt az `en` mappában található konvenciók szerint.
+
+Szerkeszd az `index.js` fájlt az `assets/translations` mappában, hogy importáld az új fordított fájlokat.
+
+Ezután szerkeszd a legördülő menüt az `App.vue` fájlban ebben az alkalmazásban, hogy hozzáadd a nyelvedet. Azonosítsd a lokalizált rövidítést a nyelved mappanevével.
+
+Végül szerkeszd az összes kvíz linket a fordított leckékben, ha léteznek, hogy tartalmazzák ezt a lokalizációt mint lekérdezési paramétert: például `?loc=fr`.
+
+## Projekt beállítása
+
+```
+npm install
+```
+
+### Fejlesztéshez fordít és automatikusan újratölt
+
+```
+npm run serve
+```
+
+### Termeléshez fordít és minimalizál
+
+```
+npm run build
+```
+
+### Fájlokat ellenőriz és javít
+
+```
+npm run lint
+```
+
+### Konfiguráció testreszabása
+
+Lásd: [Konfigurációs hivatkozás](https://cli.vuejs.org/config/).
+
+Köszönet az eredeti kvíz alkalmazás verziójáért: https://github.com/arpan45/simple-quiz-vue
+
+## Azure-ra telepítés
+
+Íme egy lépésről lépésre útmutató, hogy elkezdhesd:
+
+1. Forkolj egy GitHub repót  
+Győződj meg róla, hogy a statikus webalkalmazásod kódja a GitHub repódban van. Forkold ezt a repót.
+
+2. Hozz létre egy Azure statikus webalkalmazást  
+- Hozz létre egy [Azure fiókot](http://azure.microsoft.com)  
+- Lépj be az [Azure portálra](https://portal.azure.com)  
+- Kattints a „Create a resource” gombra, és keress rá a „Static Web App”-ra.  
+- Kattints a „Create” gombra.
+
+3. Konfiguráld a statikus webalkalmazást  
+- Alapok:  
+  - Előfizetés: Válaszd ki az Azure előfizetésedet.  
+  - Erőforráscsoport: Hozz létre egy új erőforráscsoportot, vagy használj egy meglévőt.  
+  - Név: Adj nevet a statikus webalkalmazásodnak.  
+  - Régió: Válaszd ki a felhasználóidhoz legközelebbi régiót.  
+
+- #### Telepítési részletek:  
+  - Forrás: Válaszd a „GitHub”-ot.  
+  - GitHub fiók: Engedélyezd az Azure számára, hogy hozzáférjen a GitHub fiókodhoz.  
+  - Szervezet: Válaszd ki a GitHub szervezetedet.  
+  - Repó: Válaszd ki azt a repót, amely tartalmazza a statikus webalkalmazásodat.  
+  - Ág: Válaszd ki azt az ágat, amelyből telepíteni szeretnél.  
+
+- #### Build részletek:  
+  - Build előbeállítások: Válaszd ki azt a keretrendszert, amelyre az alkalmazásod épül (pl. React, Angular, Vue stb.).  
+  - Alkalmazás helye: Add meg azt a mappát, amely tartalmazza az alkalmazásod kódját (pl. / ha a gyökérben van).  
+  - API helye: Ha van API-d, add meg annak helyét (opcionális).  
+  - Kimeneti hely: Add meg azt a mappát, ahol a build kimenete generálódik (pl. build vagy dist).  
+
+4. Áttekintés és létrehozás  
+Tekintsd át a beállításaidat, és kattints a „Create” gombra. Az Azure létrehozza a szükséges erőforrásokat, és létrehoz egy GitHub Actions munkafolyamatot a repódban.
+
+5. GitHub Actions munkafolyamat  
+Az Azure automatikusan létrehoz egy GitHub Actions munkafolyamat fájlt a repódban (.github/workflows/azure-static-web-apps-<name>.yml). Ez a munkafolyamat kezeli a build és telepítési folyamatot.
+
+6. A telepítés nyomon követése  
+Lépj a „Actions” fülre a GitHub repódban.  
+Látnod kell egy futó munkafolyamatot. Ez a munkafolyamat felépíti és telepíti a statikus webalkalmazásodat az Azure-ra.  
+Amint a munkafolyamat befejeződik, az alkalmazásod élő lesz az Azure által biztosított URL-en.
+
+### Példa munkafolyamat fájl
+
+Íme, hogyan nézhet ki egy GitHub Actions munkafolyamat fájl:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### További források  
+- [Azure Static Web Apps Dokumentáció](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [GitHub Actions Dokumentáció](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/hu/sketchnotes/README.md b/translations/hu/sketchnotes/README.md
new file mode 100644
index 00000000..5168ad32
--- /dev/null
+++ b/translations/hu/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:25+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "hu"
+}
+-->
+Találd meg az összes sketchnote-ot itt!
+
+## Köszönetnyilvánítás
+
+Nitya Narasimhan, művész
+
+![roadmap sketchnote](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hu.png)
+
+---
+
+**Felelősség kizárása**:  
+Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/01-defining-data-science/README.md b/translations/ro/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..68d605d4
--- /dev/null
+++ b/translations/ro/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,80 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:22:35+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "ro"
+}
+-->
+## Tipuri de Date
+
+Așa cum am menționat deja, datele sunt peste tot. Trebuie doar să le capturăm în mod corespunzător! Este util să facem diferența între datele **structurate** și **nestructurate**. Primele sunt de obicei reprezentate într-o formă bine organizată, adesea sub formă de tabel sau mai multe tabele, în timp ce cele din urmă sunt doar o colecție de fișiere. Uneori putem vorbi și despre date **semi-structurate**, care au un anumit tip de structură ce poate varia semnificativ.
+
+| Structurate                                                                  | Semi-structurate                                                                               | Nestructurate                          |
+| --------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------- | -------------------------------------- |
+| Lista persoanelor cu numerele lor de telefon                                 | Pagini Wikipedia cu linkuri                                                                   | Textul Enciclopediei Britannica        |
+| Temperatura din toate camerele unei clădiri la fiecare minut din ultimii 20 de ani | Colecție de lucrări științifice în format JSON cu autori, data publicării și rezumat         | Partajare de fișiere cu documente corporative |
+| Date despre vârsta și genul tuturor persoanelor care intră în clădire        | Pagini de internet                                                                            | Flux video brut de la o cameră de supraveghere |
+
+## De unde să obținem Date
+
+Există multe surse posibile de date, și ar fi imposibil să le enumerăm pe toate! Totuși, să menționăm câteva dintre locurile tipice de unde putem obține date:
+
+* **Structurate**
+  - **Internet of Things** (IoT), inclusiv date de la diferiți senzori, cum ar fi senzori de temperatură sau presiune, oferă multe date utile. De exemplu, dacă o clădire de birouri este echipată cu senzori IoT, putem controla automat încălzirea și iluminarea pentru a minimiza costurile.
+  - **Chestionare** pe care le cerem utilizatorilor să le completeze după o achiziție sau după vizitarea unui site web.
+  - **Analiza comportamentului** poate, de exemplu, să ne ajute să înțelegem cât de profund explorează un utilizator un site și care este motivul tipic pentru părăsirea site-ului.
+* **Nestructurate**
+  - **Texte** pot fi o sursă bogată de informații, cum ar fi un **scor de sentiment** general sau extragerea de cuvinte-cheie și semnificații semantice.
+  - **Imagini** sau **Video**. Un videoclip de la o cameră de supraveghere poate fi utilizat pentru a estima traficul pe drum și pentru a informa oamenii despre eventualele ambuteiaje.
+  - **Jurnale** de server web pot fi utilizate pentru a înțelege care pagini ale site-ului nostru sunt cele mai vizitate și pentru cât timp.
+* **Semi-structurate**
+  - Graficele de **Rețele Sociale** pot fi surse excelente de date despre personalitatea utilizatorilor și eficiența lor potențială în răspândirea informațiilor.
+  - Când avem o mulțime de fotografii de la o petrecere, putem încerca să extragem date despre **Dinamica Grupului** construind un grafic al persoanelor care fac poze împreună.
+
+Prin cunoașterea diferitelor surse posibile de date, puteți încerca să vă gândiți la diferite scenarii în care tehnicile de știința datelor pot fi aplicate pentru a înțelege mai bine situația și pentru a îmbunătăți procesele de afaceri.
+
+## Ce puteți face cu Datele
+
+În știința datelor, ne concentrăm pe următorii pași ai parcursului datelor:
+
+Desigur, în funcție de datele reale, unii pași pot lipsi (de exemplu, atunci când avem deja datele în baza de date sau când nu este necesar să antrenăm un model), sau unii pași pot fi repetați de mai multe ori (cum ar fi procesarea datelor).
+
+## Digitalizare și Transformare Digitală
+
+În ultimul deceniu, multe afaceri au început să înțeleagă importanța datelor în luarea deciziilor de afaceri. Pentru a aplica principiile științei datelor în gestionarea unei afaceri, este necesar mai întâi să colectăm date, adică să traducem procesele de afaceri în formă digitală. Acest proces este cunoscut sub numele de **digitalizare**. Aplicarea tehnicilor de știința datelor asupra acestor date pentru a ghida deciziile poate duce la creșteri semnificative ale productivității (sau chiar la o schimbare majoră a afacerii), numită **transformare digitală**.
+
+Să luăm un exemplu. Să presupunem că avem un curs de știința datelor (precum acesta) pe care îl livrăm online studenților și dorim să folosim știința datelor pentru a-l îmbunătăți. Cum putem face acest lucru?
+
+Putem începe prin a ne întreba „Ce poate fi digitalizat?” Cea mai simplă metodă ar fi să măsurăm timpul necesar fiecărui student pentru a finaliza fiecare modul și să evaluăm cunoștințele obținute printr-un test cu variante multiple la sfârșitul fiecărui modul. Prin calcularea mediei timpului de finalizare pentru toți studenții, putem identifica modulele care provoacă cele mai mari dificultăți și să lucrăm la simplificarea lor.
+> Ai putea susține că această abordare nu este ideală, deoarece modulele pot avea lungimi diferite. Probabil ar fi mai corect să împarți timpul la lungimea modulului (în număr de caractere) și să compari acele valori în schimb.
+Când începem să analizăm rezultatele testelor cu răspunsuri multiple, putem încerca să determinăm care sunt conceptele pe care studenții le înțeleg cu dificultate și să folosim aceste informații pentru a îmbunătăți conținutul. Pentru a face acest lucru, trebuie să proiectăm testele astfel încât fiecare întrebare să fie asociată cu un anumit concept sau fragment de cunoștințe.
+
+Dacă dorim să mergem și mai departe, putem reprezenta grafic timpul necesar pentru fiecare modul în funcție de categoria de vârstă a studenților. Am putea descoperi că, pentru anumite categorii de vârstă, finalizarea modulului durează un timp nejustificat de lung sau că studenții renunță înainte de a-l finaliza. Acest lucru ne poate ajuta să oferim recomandări de vârstă pentru modul și să minimizăm nemulțumirea oamenilor cauzată de așteptări greșite.
+
+## 🚀 Provocare
+
+În această provocare, vom încerca să identificăm concepte relevante pentru domeniul Științei Datelor analizând texte. Vom lua un articol de pe Wikipedia despre Știința Datelor, vom descărca și procesa textul, iar apoi vom construi un nor de cuvinte asemănător cu acesta:
+
+![Nor de Cuvinte pentru Știința Datelor](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ro.png)
+
+Vizitează [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') pentru a parcurge codul. Poți, de asemenea, să rulezi codul și să vezi cum efectuează toate transformările de date în timp real.
+
+> Dacă nu știi cum să rulezi codul într-un Jupyter Notebook, aruncă o privire la [acest articol](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Chestionar post-lectură](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Sarcini
+
+* **Sarcina 1**: Modifică codul de mai sus pentru a descoperi concepte asociate domeniilor **Big Data** și **Machine Learning**  
+* **Sarcina 2**: [Gândește-te la scenarii din Știința Datelor](assignment.md)
+
+## Credite
+
+Această lecție a fost creată cu ♥️ de [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/01-defining-data-science/assignment.md b/translations/ro/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..a8e517b8
--- /dev/null
+++ b/translations/ro/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:25:11+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Tema: Scenarii de Știința Datelor
+
+În această primă temă, vă rugăm să vă gândiți la un proces sau o problemă din viața reală în diferite domenii și cum puteți să o îmbunătățiți folosind procesul de Știința Datelor. Gândiți-vă la următoarele:
+
+1. Ce date puteți colecta?
+1. Cum le-ați colecta?
+1. Cum ați stoca datele? Cât de mari ar putea fi datele?
+1. Ce informații ați putea obține din aceste date? Ce decizii am putea lua pe baza datelor?
+
+Încercați să vă gândiți la 3 probleme/procese diferite și să descrieți fiecare dintre punctele de mai sus pentru fiecare domeniu.
+
+Iată câteva domenii și probleme care vă pot ajuta să începeți să vă gândiți:
+
+1. Cum puteți folosi datele pentru a îmbunătăți procesul educațional pentru copii în școli?
+1. Cum puteți folosi datele pentru a controla vaccinarea în timpul pandemiei?
+1. Cum puteți folosi datele pentru a vă asigura că sunteți productiv la locul de muncă?
+
+## Instrucțiuni
+
+Completați următorul tabel (înlocuiți domeniile sugerate cu altele proprii, dacă este necesar):
+
+| Domeniu | Problemă | Ce date să colectăm | Cum să stocăm datele | Ce informații/decizii putem lua | 
+|---------|----------|---------------------|-----------------------|---------------------------------|
+| Educație | | | | |
+| Vaccinare | | | | |
+| Productivitate | | | | |
+
+## Criterii de evaluare
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | -- |
+S-a reușit identificarea unor surse de date rezonabile, modalități de stocare a datelor și posibile decizii/informații pentru toate domeniile | Unele aspecte ale soluției nu sunt detaliate, stocarea datelor nu este discutată, cel puțin 2 domenii sunt descrise | Doar părți ale soluției de date sunt descrise, doar un singur domeniu este luat în considerare.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa maternă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/ro/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..4fa60075
--- /dev/null
+++ b/translations/ro/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:26:51+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Tema: Scenarii de Știința Datelor
+
+În această primă temă, vă rugăm să vă gândiți la un proces sau o problemă din viața reală în diferite domenii și cum puteți îmbunătăți acest proces folosind metodele Științei Datelor. Gândiți-vă la următoarele:
+
+1. Ce date puteți colecta?
+1. Cum le-ați colecta?
+1. Cum ați stoca datele? Cât de mari ar putea fi aceste date?
+1. Ce informații ați putea obține din aceste date? Ce decizii am putea lua pe baza acestor date?
+
+Încercați să vă gândiți la 3 probleme/procese diferite și să descrieți fiecare dintre punctele de mai sus pentru fiecare domeniu.
+
+Iată câteva domenii și probleme care vă pot ajuta să începeți să vă gândiți:
+
+1. Cum puteți folosi datele pentru a îmbunătăți procesul educațional pentru copii în școli?
+1. Cum puteți folosi datele pentru a controla vaccinarea în timpul unei pandemii?
+1. Cum puteți folosi datele pentru a vă asigura că sunteți productiv la locul de muncă?
+
+## Instrucțiuni
+
+Completați următorul tabel (înlocuiți domeniile sugerate cu altele proprii, dacă este necesar):
+
+| Domeniu | Problemă | Ce date să colectăm | Cum să stocăm datele | Ce informații/decizii putem lua | 
+|---------|----------|---------------------|-----------------------|---------------------------------|
+| Educație | La universitate, avem de obicei o prezență scăzută la cursuri și avem ipoteza că studenții care participă la cursuri obțin, în medie, rezultate mai bune la examene. Dorim să stimulăm prezența și să testăm ipoteza. | Putem urmări prezența prin fotografii realizate de camera de securitate din clasă sau prin urmărirea adreselor bluetooth/wifi ale telefoanelor mobile ale studenților în clasă. Datele despre examene sunt deja disponibile în baza de date a universității. | În cazul în care urmărim imaginile de la camera de securitate - trebuie să stocăm câteva (5-10) fotografii pe durata cursului (date nestructurate), iar apoi să folosim AI pentru a identifica fețele studenților (convertind datele în formă structurată). | Putem calcula datele medii de prezență pentru fiecare student și să vedem dacă există vreo corelație cu notele de la examene. Vom discuta mai multe despre corelație în secțiunea [probabilitate și statistici](../../04-stats-and-probability/README.md). Pentru a stimula prezența studenților, putem publica săptămânal clasamentul prezenței pe portalul școlii și să organizăm tombole pentru cei cu cea mai mare prezență. |
+| Vaccinare | | | | |
+| Productivitate | | | | |
+
+> *Oferim doar un răspuns ca exemplu, pentru a vă face o idee despre ce se așteaptă în această temă.*
+
+## Criterii de evaluare
+
+Exemplar | Adequat | Necesită îmbunătățiri
+--- | --- | -- |
+S-a reușit identificarea unor surse de date rezonabile, modalități de stocare a datelor și posibile decizii/informații pentru toate domeniile | Unele aspecte ale soluției nu sunt detaliate, stocarea datelor nu este discutată, cel puțin 2 domenii sunt descrise | Doar părți ale soluției de date sunt descrise, doar un singur domeniu este considerat.
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși depunem eforturi pentru a asigura acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/02-ethics/README.md b/translations/ro/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..0dcbcf66
--- /dev/null
+++ b/translations/ro/1-Introduction/02-ethics/README.md
@@ -0,0 +1,267 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:09:53+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "ro"
+}
+-->
+# Introducere în Etica Datelor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Etica în Știința Datelor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Suntem cu toții cetățeni ai datelor, trăind într-o lume dominată de acestea.
+
+Tendințele pieței ne arată că, până în 2022, 1 din 3 organizații mari va cumpăra și vinde date prin intermediul [Piețelor și Schimburilor online](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Ca **Dezvoltatori de Aplicații**, vom găsi mai ușor și mai ieftin să integrăm perspective bazate pe date și automatizări bazate pe algoritmi în experiențele zilnice ale utilizatorilor. Dar, pe măsură ce AI devine omniprezent, va trebui să înțelegem și potențialele daune cauzate de [utilizarea abuzivă](https://www.youtube.com/watch?v=TQHs8SA1qpk) a acestor algoritmi la scară largă.
+
+Tendințele indică, de asemenea, că vom crea și consuma peste [180 de zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) de date până în 2025. Ca **Oameni de Știință ai Datelor**, acest lucru ne oferă un acces fără precedent la date personale. Aceasta înseamnă că putem construi profiluri comportamentale ale utilizatorilor și influența luarea deciziilor într-un mod care creează o [iluzie a alegerii libere](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), în timp ce, posibil, îi ghidăm pe utilizatori către rezultate pe care le preferăm. De asemenea, ridică întrebări mai ample despre confidențialitatea datelor și protecția utilizatorilor.
+
+Etica datelor reprezintă acum _ghiduri necesare_ pentru știința și ingineria datelor, ajutându-ne să minimizăm potențialele daune și consecințele neintenționate ale acțiunilor noastre bazate pe date. [Ciclul de Hype Gartner pentru AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifică tendințe relevante în etica digitală, AI responsabil și guvernanța AI ca factori cheie pentru megatendințele mai mari legate de _democratizarea_ și _industrializarea_ AI.
+
+![Ciclul de Hype Gartner pentru AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+În această lecție, vom explora domeniul fascinant al eticii datelor - de la concepte și provocări de bază, la studii de caz și concepte aplicate de AI, cum ar fi guvernanța - care ajută la stabilirea unei culturi etice în echipele și organizațiile care lucrează cu date și AI.
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Definiții de Bază
+
+Să începem prin a înțelege terminologia de bază.
+
+Cuvântul "etică" provine din [cuvântul grecesc "ethikos"](https://en.wikipedia.org/wiki/Ethics) (și rădăcina sa "ethos"), care înseamnă _caracter sau natură morală_.
+
+**Etica** se referă la valorile comune și principiile morale care ne guvernează comportamentul în societate. Etica nu se bazează pe legi, ci pe norme larg acceptate despre ceea ce este "corect vs. greșit". Totuși, considerațiile etice pot influența inițiativele de guvernanță corporativă și reglementările guvernamentale care creează mai multe stimulente pentru conformitate.
+
+**Etica Datelor** este o [ramură nouă a eticii](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) care "studiază și evaluează problemele morale legate de _date, algoritmi și practicile corespunzătoare_". Aici, **"datele"** se concentrează pe acțiuni legate de generare, înregistrare, curare, procesare, diseminare, partajare și utilizare, **"algoritmii"** se concentrează pe AI, agenți, învățare automată și roboți, iar **"practicile"** se concentrează pe subiecte precum inovația responsabilă, programarea, hacking-ul și codurile de etică.
+
+**Etica Aplicată** este [aplicarea practică a considerațiilor morale](https://en.wikipedia.org/wiki/Applied_ethics). Este procesul de investigare activă a problemelor etice în contextul _acțiunilor, produselor și proceselor din lumea reală_ și de luare a măsurilor corective pentru a ne asigura că acestea rămân aliniate cu valorile noastre etice definite.
+
+**Cultura Eticii** se referă la [_operaționalizarea_ eticii aplicate](https://hbr.org/2019/05/how-to-design-an-ethical-organization) pentru a ne asigura că principiile și practicile noastre etice sunt adoptate într-un mod consecvent și scalabil în întreaga organizație. Culturile etice de succes definesc principii etice la nivel organizațional, oferă stimulente semnificative pentru conformitate și întăresc normele etice prin încurajarea și amplificarea comportamentelor dorite la fiecare nivel al organizației.
+
+## Concepte de Etică
+
+În această secțiune, vom discuta concepte precum **valori comune** (principii) și **provocări etice** (probleme) pentru etica datelor - și vom explora **studii de caz** care te ajută să înțelegi aceste concepte în contexte din lumea reală.
+
+### 1. Principiile Eticii
+
+Fiecare strategie de etică a datelor începe prin definirea _principiilor etice_ - "valorile comune" care descriu comportamentele acceptabile și ghidează acțiunile conforme în proiectele noastre de date și AI. Acestea pot fi definite la nivel individual sau de echipă. Totuși, majoritatea organizațiilor mari le conturează într-o declarație de misiune sau un cadru de _AI etic_ definit la nivel corporativ și aplicat consecvent în toate echipele.
+
+**Exemplu:** Declarația de misiune [AI Responsabil](https://www.microsoft.com/en-us/ai/responsible-ai) a Microsoft spune: _"Suntem dedicați avansării AI ghidată de principii etice care pun oamenii pe primul loc"_ - identificând 6 principii etice în cadrul de mai jos:
+
+![AI Responsabil la Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Să explorăm pe scurt aceste principii. _Transparența_ și _responsabilitatea_ sunt valori fundamentale pe care se construiesc celelalte principii - așa că să începem cu acestea:
+
+* [**Responsabilitate**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) face practicienii _responsabili_ pentru operațiunile lor de date și AI și pentru conformitatea cu aceste principii etice.
+* [**Transparență**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) asigură că acțiunile bazate pe date și AI sunt _ușor de înțeles_ (interpretabile) pentru utilizatori, explicând ce și de ce în spatele deciziilor.
+* [**Corectitudine**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - se concentrează pe asigurarea faptului că AI tratează _toți oamenii_ în mod echitabil, abordând orice prejudecăți sistemice sau implicite în date și sisteme.
+* [**Fiabilitate și Siguranță**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - asigură că AI se comportă _conform_ valorilor definite, minimizând potențialele daune sau consecințe neintenționate.
+* [**Confidențialitate și Securitate**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se referă la înțelegerea provenienței datelor și la oferirea de _protecții legate de confidențialitatea datelor_ utilizatorilor.
+* [**Incluziune**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se referă la proiectarea soluțiilor AI cu intenție, adaptându-le pentru a răspunde unei _gama largă de nevoi și capacități umane_.
+
+> 🚨 Gândește-te la ce ar putea fi declarația ta de misiune pentru etica datelor. Explorează cadrele de AI etic ale altor organizații - iată exemple de la [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) și [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Ce valori comune au în comun? Cum se raportează aceste principii la produsul AI sau industria în care operează?
+
+### 2. Provocări Etice
+
+Odată ce avem definite principiile etice, următorul pas este să evaluăm acțiunile noastre legate de date și AI pentru a vedea dacă acestea se aliniază cu valorile comune. Gândește-te la acțiunile tale în două categorii: _colectarea datelor_ și _proiectarea algoritmilor_.
+
+În cazul colectării datelor, acțiunile vor implica probabil **date personale** sau informații de identificare personală (PII) pentru indivizi identificabili. Acestea includ [diverse elemente de date non-personale](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) care, _împreună_, identifică un individ. Provocările etice pot fi legate de _confidențialitatea datelor_, _proprietatea datelor_ și subiecte conexe precum _consimțământul informat_ și _drepturile de proprietate intelectuală_ ale utilizatorilor.
+
+În cazul proiectării algoritmilor, acțiunile vor implica colectarea și curarea **seturilor de date**, apoi utilizarea acestora pentru a antrena și implementa **modele de date** care prezic rezultate sau automatizează decizii în contexte din lumea reală. Provocările etice pot apărea din _prejudecăți în seturile de date_, probleme de _calitate a datelor_, _inechitate_ și _reprezentare greșită_ în algoritmi - inclusiv unele probleme care sunt sistemice.
+
+În ambele cazuri, provocările etice evidențiază zonele în care acțiunile noastre pot intra în conflict cu valorile comune. Pentru a detecta, atenua, minimiza sau elimina aceste preocupări, trebuie să punem întrebări morale de tip "da/nu" legate de acțiunile noastre, apoi să luăm măsuri corective, după caz. Să analizăm câteva provocări etice și întrebările morale pe care le ridică:
+
+#### 2.1 Proprietatea Datelor
+
+Colectarea datelor implică adesea date personale care pot identifica subiecții datelor. [Proprietatea datelor](https://permission.io/blog/data-ownership) se referă la _controlul_ și [_drepturile utilizatorilor_](https://permission.io/blog/data-ownership) legate de crearea, procesarea și diseminarea datelor.
+
+Întrebările morale pe care trebuie să le punem sunt:
+ * Cine deține datele? (utilizatorul sau organizația)
+ * Ce drepturi au subiecții datelor? (ex: acces, ștergere, portabilitate)
+ * Ce drepturi au organizațiile? (ex: rectificarea recenziilor utilizatorilor malițioase)
+
+#### 2.2 Consimțământul Informat
+
+[Consimțământul informat](https://legaldictionary.net/informed-consent/) definește actul prin care utilizatorii sunt de acord cu o acțiune (cum ar fi colectarea datelor) cu o _înțelegere completă_ a faptelor relevante, inclusiv scopul, riscurile potențiale și alternativele.
+
+Întrebările de explorat aici sunt:
+ * A oferit utilizatorul (subiectul datelor) permisiunea pentru captarea și utilizarea datelor?
+ * A înțeles utilizatorul scopul pentru care au fost capturate datele?
+ * A înțeles utilizatorul riscurile potențiale ale participării lor?
+
+#### 2.3 Proprietatea Intelectuală
+
+[Proprietatea intelectuală](https://en.wikipedia.org/wiki/Intellectual_property) se referă la creații intangibile rezultate din inițiativa umană, care pot _avea valoare economică_ pentru indivizi sau afaceri.
+
+Întrebările de explorat aici sunt:
+ * Datele colectate aveau valoare economică pentru un utilizator sau o afacere?
+ * Are **utilizatorul** drepturi de proprietate intelectuală aici?
+ * Are **organizația** drepturi de proprietate intelectuală aici?
+ * Dacă aceste drepturi există, cum le protejăm?
+
+#### 2.4 Confidențialitatea Datelor
+
+[Confidențialitatea datelor](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) sau confidențialitatea informațiilor se referă la păstrarea confidențialității utilizatorilor și protecția identității acestora în ceea ce privește informațiile de identificare personală.
+
+Întrebările de explorat aici sunt:
+ * Sunt datele (personale) ale utilizatorilor securizate împotriva atacurilor și scurgerilor?
+ * Sunt datele utilizatorilor accesibile doar utilizatorilor și contextelor autorizate?
+ * Este păstrată anonimitatea utilizatorilor atunci când datele sunt partajate sau diseminate?
+ * Poate un utilizator fi de-identificat din seturi de date anonimizate?
+
+#### 2.5 Dreptul de a Fi Uitati
+
+[Dreptul de a Fi Uitati](https://en.wikipedia.org/wiki/Right_to_be_forgotten) sau [Dreptul la Ștergere](https://www.gdpreu.org/right-to-be-forgotten/) oferă protecție suplimentară datelor personale ale utilizatorilor. În mod specific, oferă utilizatorilor dreptul de a solicita ștergerea sau eliminarea datelor personale din căutările pe Internet și alte locații, _în anumite circumstanțe_ - permițându-le un nou început online fără ca acțiunile trecute să fie folosite împotriva lor.
+
+Întrebările de explorat aici sunt:
+ * Permite sistemul subiecților datelor să solicite ștergerea?
+ * Ar trebui retragerea consimțământului utilizatorului să declanșeze ștergerea automată?
+ * Au fost datele colectate fără consimțământ sau prin mijloace ilegale?
+ * Suntem conformi cu reglementările guvernamentale privind confidențialitatea datelor?
+
+#### 2.6 Prejudecăți în Seturile de Date
+
+Prejudecățile în seturile de date sau [Prejudecățile de Colectare](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) se referă la selectarea unui subset _nereprezentativ_ de date pentru dezvoltarea algoritmilor, creând potențial inechități în rezultatele pentru grupuri diverse. Tipurile de prejudecăți includ prejudecăți de selecție sau eșantionare, prejudecăți ale voluntarilor și prejudecăți ale instrumentelor.
+
+Întrebările de explorat aici sunt:
+ * Am recrutat un set reprezentativ de subiecți ai datelor?
+ * Am testat setul nostru de date colectat sau curat pentru diverse prejudecăți?
+ * Putem atenua sau elimina prejudecățile descoperite?
+
+#### 2.7 Calitatea Datelor
+
+[Calitatea Datelor](https://lakefs.io/data-quality-testing/) analizează validitatea setului de date curat utilizat pentru dezvoltarea algoritmilor noștri, verificând dacă caracteristicile și înregistrările îndeplinesc cerințele pentru nivelul de acuratețe și consistență necesar scopului nostru AI.
+
+Întrebările de explorat aici sunt:
+ * Am capturat caracteristici valide pentru cazul nostru de utilizare?
+ * Au fost datele capturate în mod _consistent_ din surse de date diverse?
+ * Este setul de date _complet_ pentru condiții sau scenarii diverse?
+ * Este informația capturată _exactă_ în reflectarea realității?
+
+#### 2.8 Corectitudinea Algorit
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) verifică dacă designul algoritmului discriminează sistematic împotriva unor subgrupuri specifice de subiecți de date, conducând la [posibile prejudicii](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) în _alocare_ (unde resursele sunt refuzate sau reținute de la acel grup) și _calitatea serviciului_ (unde AI nu este la fel de precis pentru unele subgrupuri ca pentru altele).
+
+Întrebări de explorat aici sunt:
+ * Am evaluat acuratețea modelului pentru subgrupuri și condiții diverse?
+ * Am analizat sistemul pentru posibile prejudicii (de exemplu, stereotipuri)?
+ * Putem revizui datele sau reantrena modelele pentru a atenua prejudiciile identificate?
+
+Explorați resurse precum [listele de verificare pentru echitatea AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) pentru a afla mai multe.
+
+#### 2.9 Denaturarea datelor
+
+[Denaturarea datelor](https://www.sciencedirect.com/topics/computer-science/misrepresentation) se referă la întrebarea dacă comunicăm informații din date raportate onest într-un mod înșelător pentru a susține o narațiune dorită.
+
+Întrebări de explorat aici sunt:
+ * Raportăm date incomplete sau inexacte?
+ * Vizualizăm datele într-un mod care conduce la concluzii înșelătoare?
+ * Folosim tehnici statistice selective pentru a manipula rezultatele?
+ * Există explicații alternative care ar putea oferi o concluzie diferită?
+
+#### 2.10 Alegerea liberă
+[Iluzia alegerii libere](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) apare atunci când „arhitecturile de alegere” ale sistemului folosesc algoritmi de luare a deciziilor pentru a influența oamenii să ia un rezultat preferat, în timp ce par să le ofere opțiuni și control. Aceste [modele întunecate](https://www.darkpatterns.org/) pot provoca prejudicii sociale și economice utilizatorilor. Deoarece deciziile utilizatorilor influențează profilurile comportamentale, aceste acțiuni potențial conduc la alegeri viitoare care amplifică sau extind impactul acestor prejudicii.
+
+Întrebări de explorat aici sunt:
+ * A înțeles utilizatorul implicațiile luării acelei decizii?
+ * Era utilizatorul conștient de (alte) opțiuni și de avantajele și dezavantajele fiecăreia?
+ * Poate utilizatorul să revoce o alegere automată sau influențată ulterior?
+
+### 3. Studii de caz
+
+Pentru a pune aceste provocări etice în contexte din lumea reală, este util să analizăm studii de caz care evidențiază posibilele prejudicii și consecințe asupra indivizilor și societății atunci când astfel de încălcări etice sunt trecute cu vederea.
+
+Iată câteva exemple:
+
+| Provocare etică | Studiu de caz  | 
+|--- |--- |
+| **Consimțământ informat** | 1972 - [Studiul Tuskegee despre sifilis](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Bărbați afro-americani care au participat la studiu au fost promiși îngrijire medicală gratuită, _dar au fost înșelați_ de cercetători care nu i-au informat despre diagnostic sau despre disponibilitatea tratamentului. Mulți subiecți au murit, iar partenerii sau copiii lor au fost afectați; studiul a durat 40 de ani. | 
+| **Confidențialitatea datelor** |  2007 - [Premiul pentru date Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) a oferit cercetătorilor _10 milioane de evaluări anonimizate de filme de la 50.000 de clienți_ pentru a îmbunătăți algoritmii de recomandare. Totuși, cercetătorii au reușit să coreleze datele anonimizate cu date identificabile personal din _seturi de date externe_ (de exemplu, comentarii IMDb) - „de-anonimizând” efectiv unii abonați Netflix.|
+| **Părtinire în colectarea datelor**  | 2013 - Orașul Boston a [dezvoltat Street Bump](https://www.boston.gov/transportation/street-bump), o aplicație care permitea cetățenilor să raporteze gropi, oferind orașului date mai bune despre drumuri pentru a identifica și repara problemele. Totuși, [persoanele din grupuri cu venituri mai mici aveau mai puțin acces la mașini și telefoane](https://hbr.org/2013/04/the-hidden-biases-in-big-data), făcând problemele lor de infrastructură invizibile în această aplicație. Dezvoltatorii au colaborat cu academicieni pentru a aborda problemele de _acces echitabil și diviziuni digitale_ pentru echitate. |
+| **Echitatea algoritmică**  | 2018 - Studiul MIT [Gender Shades](http://gendershades.org/overview.html) a evaluat acuratețea produselor AI de clasificare a genului, expunând lacunele în acuratețe pentru femei și persoane de culoare. Un [card Apple din 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) părea să ofere mai puțin credit femeilor decât bărbaților. Ambele au ilustrat probleme de părtinire algoritmică care duc la prejudicii socio-economice.|
+| **Denaturarea datelor** | 2020 - [Departamentul de Sănătate Publică din Georgia a publicat grafice COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) care păreau să inducă în eroare cetățenii despre tendințele cazurilor confirmate prin ordonarea necronologică pe axa x. Acest lucru ilustrează denaturarea prin trucuri de vizualizare. |
+| **Iluzia alegerii libere** | 2020 - Aplicația educațională [ABCmouse a plătit 10 milioane de dolari pentru a soluționa o plângere FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) în care părinții au fost prinși în abonamente pe care nu le puteau anula. Acest lucru ilustrează modelele întunecate în arhitecturile de alegere, unde utilizatorii au fost influențați spre alegeri potențial dăunătoare. |
+| **Confidențialitatea datelor și drepturile utilizatorilor** | 2021 - [Scurgerea de date Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) a expus datele a 530 de milioane de utilizatori, rezultând într-o amendă de 5 miliarde de dolari către FTC. Totuși, compania a refuzat să notifice utilizatorii despre breșă, încălcând drepturile utilizatorilor privind transparența și accesul la date. |
+
+Doriți să explorați mai multe studii de caz? Consultați aceste resurse:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - dileme etice din diverse industrii. 
+* [Cursul de etică în știința datelor](https://www.coursera.org/learn/data-science-ethics#syllabus) - studii de caz emblematice explorate.
+* [Unde lucrurile au mers prost](https://deon.drivendata.org/examples/) - lista de verificare Deon cu exemple.
+
+> 🚨 Gândiți-vă la studiile de caz pe care le-ați văzut - ați experimentat sau ați fost afectați de o provocare etică similară în viața dumneavoastră? Puteți să vă gândiți la cel puțin un alt studiu de caz care ilustrează una dintre provocările etice discutate în această secțiune?
+
+## Etică aplicată
+
+Am discutat despre concepte etice, provocări și studii de caz în contexte din lumea reală. Dar cum începem să _aplicăm_ principiile și practicile etice în proiectele noastre? Și cum _operaționalizăm_ aceste practici pentru o mai bună guvernanță? Să explorăm câteva soluții din lumea reală:
+
+### 1. Coduri profesionale
+
+Codurile profesionale oferă o opțiune pentru organizații de a „stimula” membrii să susțină principiile etice și declarația de misiune. Codurile sunt _ghiduri morale_ pentru comportamentul profesional, ajutând angajații sau membrii să ia decizii care se aliniază cu principiile organizației lor. Ele sunt eficiente doar în măsura în care membrii le respectă voluntar; totuși, multe organizații oferă recompense și penalități suplimentare pentru a motiva conformarea.
+
+Exemple includ:
+
+ * [Codul de etică Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/)
+ * [Codul de conduită al Asociației de Știința Datelor](http://datascienceassn.org/code-of-conduct.html) (creat în 2013)
+ * [Codul de etică și conduită profesională ACM](https://www.acm.org/code-of-ethics) (din 1993)
+
+> 🚨 Faceți parte dintr-o organizație profesională de inginerie sau știința datelor? Explorați site-ul lor pentru a vedea dacă definesc un cod profesional de etică. Ce spune acesta despre principiile lor etice? Cum „stimulează” membrii să respecte codul?
+
+### 2. Liste de verificare etică
+
+În timp ce codurile profesionale definesc comportamentul _etic_ necesar practicienilor, ele [au limitări cunoscute](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) în aplicare, în special în proiectele de mare amploare. În schimb, mulți experți în știința datelor [pledează pentru liste de verificare](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), care pot **conecta principiile la practici** într-un mod mai determinist și acționabil.
+
+Listele de verificare transformă întrebările în sarcini „da/nu” care pot fi operaționalizate, permițându-le să fie urmărite ca parte a fluxurilor de lucru standard pentru lansarea produselor.
+
+Exemple includ:
+ * [Deon](https://deon.drivendata.org/) - o listă de verificare generală pentru etica datelor creată din [recomandări din industrie](https://deon.drivendata.org/#checklist-citations) cu un instrument de linie de comandă pentru integrare ușoară.
+ * [Lista de verificare pentru auditul confidențialității](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - oferă îndrumări generale pentru practicile de manipulare a informațiilor din perspective legale și sociale.
+ * [Lista de verificare pentru echitatea AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - creată de practicieni AI pentru a sprijini adoptarea și integrarea verificărilor de echitate în ciclurile de dezvoltare AI.
+ * [22 de întrebări pentru etica în date și AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - un cadru mai deschis, structurat pentru explorarea inițială a problemelor etice în design, implementare și contexte organizaționale.
+
+### 3. Reglementări etice
+
+Etica se referă la definirea valorilor comune și la a face ceea ce este corect _voluntar_. **Conformitatea** se referă la _respectarea legii_ acolo unde este definită. **Guvernanța** acoperă în general toate modurile în care organizațiile operează pentru a aplica principiile etice și pentru a respecta legile stabilite.
+
+Astăzi, guvernanța ia două forme în cadrul organizațiilor. În primul rând, este vorba despre definirea principiilor **AI etice** și stabilirea practicilor pentru a operaționaliza adoptarea lor în toate proiectele AI ale organizației. În al doilea rând, este vorba despre respectarea tuturor reglementărilor guvernamentale privind **protecția datelor** pentru regiunile în care operează.
+
+Exemple de reglementări privind protecția și confidențialitatea datelor:
+
+ * `1974`, [Legea privind confidențialitatea din SUA](https://www.justice.gov/opcl/privacy-act-1974) - reglementează colectarea, utilizarea și divulgarea informațiilor personale de către _guvernul federal_.
+ * `1996`, [Legea privind portabilitatea și responsabilitatea asigurărilor de sănătate din SUA (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - protejează datele personale de sănătate.
+ * `1998`, [Legea privind protecția confidențialității online a copiilor din SUA (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - protejează confidențialitatea datelor copiilor sub 13 ani.
+ * `2018`, [Regulamentul general privind protecția datelor (GDPR)](https://gdpr-info.eu/) - oferă drepturi utilizatorilor, protecția datelor și confidențialitate.
+ * `2018`, [Legea privind confidențialitatea consumatorilor din California (CCPA)](https://www.oag.ca.gov/privacy/ccpa) oferă consumatorilor mai multe _drepturi_ asupra datelor lor (personale).
+ * `2021`, [Legea privind protecția informațiilor personale din China](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) tocmai a fost adoptată, creând una dintre cele mai puternice reglementări privind confidențialitatea datelor online la nivel mondial.
+
+> 🚨 Uniunea Europeană a definit GDPR (Regulamentul general privind protecția datelor), care rămâne una dintre cele mai influente reglementări privind confidențialitatea datelor astăzi. Știați că definește și [8 drepturi ale utilizatorilor](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) pentru a proteja confidențialitatea digitală și datele personale ale cetățenilor? Aflați care sunt acestea și de ce contează.
+
+### 4. Cultura eticii
+
+Rețineți că există un decalaj intangibil între _conformitate_ (a face suficient pentru a respecta „litera legii”) și abordarea [problemelor sistemice](https://www.coursera.org/learn/data-science-ethics/home/week/4) (cum ar fi osificarea, asimetria informațională și inechitatea distribuțională) care pot accelera utilizarea abuzivă a AI.
+
+Acestea din urmă necesită [abordări colaborative pentru definirea culturilor etice](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) care construiesc conexiuni emoționale și valori comune consistente _în cadrul organizațiilor_ din industrie. Acest lucru solicită mai multe [culturi etice formalizate ale datelor](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) în organizații - permițând _oricui_ să [tragă cablul Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (pentru a ridica preocupări etice devreme în proces) și făcând _evaluările etice_ (de exemplu, în angajare) un criteriu de bază pentru formarea echipelor în proiectele AI.
+
+---
+## [Chestionar post-lectură](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## Recapitulare și studiu individual 
+
+Cursurile și cărțile ajută la înțelegerea conceptelor și provocărilor etice de bază, în timp ce studiile de caz și instrumentele ajută la practicile de etică aplicată în contexte din lumea reală. Iată câteva resurse pentru a începe.
+
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lecție despre echitate, de la Microsoft.
+* [Principiile Inteligenței Artificiale Responsabile](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - parcurs de învățare gratuit de la Microsoft Learn.  
+* [Etică și Știința Datelor](https://resources.oreilly.com/examples/0636920203964) - EBook O'Reilly (M. Loukides, H. Mason și alții)  
+* [Etica în Știința Datelor](https://www.coursera.org/learn/data-science-ethics#syllabus) - curs online de la Universitatea din Michigan.  
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - studii de caz de la Universitatea din Texas.  
+
+# Temă  
+
+[Scrie un Studiu de Caz despre Etica Datelor](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/02-ethics/assignment.md b/translations/ro/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..18ea13b5
--- /dev/null
+++ b/translations/ro/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:17:31+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "ro"
+}
+-->
+## Scrie un Studiu de Caz despre Etica Datelor
+
+## Instrucțiuni
+
+Ai învățat despre diverse [Provocări ale Eticii Datelor](README.md#2-ethics-challenges) și ai văzut câteva exemple de [Studii de Caz](README.md#3-case-studies) care reflectă provocările eticii datelor în contexte reale.
+
+În această temă, vei scrie propriul studiu de caz care reflectă o provocare a eticii datelor din propria ta experiență sau dintr-un context real relevant pe care îl cunoști. Urmează acești pași:
+
+1. `Alege o Provocare a Eticii Datelor`. Consultă [exemplele din lecție](README.md#2-ethics-challenges) sau explorează exemple online precum [Lista de Verificare Deon](https://deon.drivendata.org/examples/) pentru inspirație.
+
+2. `Descrie un Exemplu din Lumea Reală`. Gândește-te la o situație despre care ai auzit (titluri de știri, studiu de cercetare etc.) sau pe care ai experimentat-o (comunitatea locală), unde această provocare specifică a avut loc. Reflectează asupra întrebărilor legate de etica datelor asociate cu provocarea - și discută despre posibilele prejudicii sau consecințe neintenționate care apar din cauza acestei probleme. Puncte bonus: gândește-te la soluții sau procese care ar putea fi aplicate pentru a elimina sau a reduce impactul negativ al acestei provocări.
+
+3. `Furnizează o listă de Resurse Relevante`. Distribuie una sau mai multe resurse (linkuri către un articol, o postare personală pe blog sau imagine, lucrare de cercetare online etc.) pentru a demonstra că aceasta a fost o întâmplare reală. Puncte bonus: distribuie resurse care evidențiază, de asemenea, prejudiciile și consecințele incidentului sau subliniază pașii pozitivi întreprinși pentru a preveni repetarea acestuia.
+
+
+
+## Rubrică
+
+Exemplar | Adequat | Necesită Îmbunătățiri
+--- | --- | -- |
+Una sau mai multe provocări ale eticii datelor sunt identificate. <br/> <br/> Studiul de caz descrie clar un incident real care reflectă acea provocare și evidențiază consecințele sau prejudiciile nedorite pe care le-a cauzat. <br/><br/> Există cel puțin o resursă legată pentru a demonstra că aceasta a avut loc. | O provocare a eticii datelor este identificată. <br/><br/> Cel puțin un prejudiciu sau o consecință relevantă este discutată pe scurt. <br/><br/> Totuși, discuția este limitată sau lipsește dovada unei întâmplări reale. | O provocare a datelor este identificată. <br/><br/> Totuși, descrierea sau resursele nu reflectă adecvat provocarea sau nu demonstrează că aceasta a avut loc în lumea reală. |
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși depunem eforturi pentru a asigura acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/03-defining-data/README.md b/translations/ro/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..234ca5fc
--- /dev/null
+++ b/translations/ro/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,84 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:29:51+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "ro"
+}
+-->
+# Definirea Datelor
+
+|![ Sketchnote realizat de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Definirea Datelor - _Sketchnote realizat de [@nitya](https://twitter.com/nitya)_ |
+
+Datele reprezintă fapte, informații, observații și măsurători utilizate pentru a face descoperiri și pentru a sprijini luarea unor decizii informate. Un punct de date este o unitate unică de date dintr-un set de date, care este o colecție de puncte de date. Seturile de date pot avea formate și structuri diferite și, de obicei, sunt bazate pe sursa lor sau pe locul de unde provin datele. De exemplu, câștigurile lunare ale unei companii ar putea fi într-un tabel, dar datele despre ritmul cardiac orar de la un smartwatch ar putea fi în format [JSON](https://stackoverflow.com/a/383699). Este obișnuit ca oamenii de știință în domeniul datelor să lucreze cu diferite tipuri de date într-un set de date.
+
+Această lecție se concentrează pe identificarea și clasificarea datelor în funcție de caracteristicile și sursele lor.
+
+## [Chestionar Pre-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+## Cum sunt descrise datele
+
+### Date brute
+Datele brute sunt datele care provin din sursa lor în starea lor inițială și nu au fost analizate sau organizate. Pentru a înțelege ce se întâmplă cu un set de date, acesta trebuie organizat într-un format care să poată fi înțeles atât de oameni, cât și de tehnologia pe care o pot folosi pentru a-l analiza mai departe. Structura unui set de date descrie modul în care este organizat și poate fi clasificată ca fiind structurată, nestructurată sau semi-structurată. Aceste tipuri de structuri vor varia în funcție de sursă, dar în cele din urmă se vor încadra în aceste trei categorii.
+
+### Date cantitative
+Datele cantitative sunt observații numerice dintr-un set de date și, de obicei, pot fi analizate, măsurate și utilizate matematic. Câteva exemple de date cantitative sunt: populația unei țări, înălțimea unei persoane sau câștigurile trimestriale ale unei companii. Cu o analiză suplimentară, datele cantitative ar putea fi utilizate pentru a descoperi tendințe sezoniere ale Indicelui de Calitate a Aerului (AQI) sau pentru a estima probabilitatea traficului la orele de vârf într-o zi obișnuită de lucru.
+
+### Date calitative
+Datele calitative, cunoscute și sub denumirea de date categorice, sunt date care nu pot fi măsurate obiectiv, precum observațiile datelor cantitative. În general, acestea sunt diverse formate de date subiective care surprind calitatea unui produs sau proces. Uneori, datele calitative sunt numerice, dar nu ar fi utilizate în mod obișnuit matematic, cum ar fi numerele de telefon sau marcajele temporale. Câteva exemple de date calitative sunt: comentariile video, marca și modelul unei mașini sau culoarea preferată a celor mai apropiați prieteni. Datele calitative ar putea fi utilizate pentru a înțelege care produse sunt cele mai apreciate de consumatori sau pentru a identifica cuvinte-cheie populare în CV-urile pentru locuri de muncă.
+
+### Date structurate
+Datele structurate sunt date organizate în rânduri și coloane, unde fiecare rând va avea același set de coloane. Coloanele reprezintă o valoare de un anumit tip și vor fi identificate printr-un nume care descrie ce reprezintă valoarea, în timp ce rândurile conțin valorile propriu-zise. Coloanele vor avea adesea un set specific de reguli sau restricții asupra valorilor, pentru a se asigura că valorile reprezintă corect coloana. De exemplu, imaginați-vă un tabel cu clienți în care fiecare rând trebuie să aibă un număr de telefon, iar numerele de telefon nu conțin caractere alfabetice. Pot exista reguli aplicate coloanei de număr de telefon pentru a se asigura că aceasta nu este niciodată goală și conține doar cifre.
+
+Un avantaj al datelor structurate este că pot fi organizate astfel încât să fie corelate cu alte date structurate. Totuși, deoarece datele sunt concepute să fie organizate într-un mod specific, modificarea structurii generale poate necesita mult efort. De exemplu, adăugarea unei coloane de e-mail în tabelul cu clienți care nu poate fi goală înseamnă că va trebui să găsiți o modalitate de a adăuga aceste valori în rândurile existente ale clienților din setul de date.
+
+Exemple de date structurate: tabele, baze de date relaționale, numere de telefon, extrase bancare.
+
+### Date nestructurate
+Datele nestructurate, de obicei, nu pot fi încadrate în rânduri sau coloane și nu conțin un format sau un set de reguli de urmat. Deoarece datele nestructurate au mai puține restricții asupra structurii lor, este mai ușor să se adauge informații noi în comparație cu un set de date structurat. Dacă un senzor care captează date despre presiunea barometrică la fiecare 2 minute a primit o actualizare care îi permite acum să măsoare și să înregistreze temperatura, nu este necesar să se modifice datele existente dacă acestea sunt nestructurate. Totuși, acest lucru poate face ca analiza sau investigarea acestui tip de date să dureze mai mult. De exemplu, un om de știință care dorește să găsească temperatura medie a lunii precedente din datele senzorului descoperă că senzorul a înregistrat un "e" în unele dintre datele sale pentru a nota că era defect, în loc de un număr obișnuit, ceea ce înseamnă că datele sunt incomplete.
+
+Exemple de date nestructurate: fișiere text, mesaje text, fișiere video.
+
+### Date semi-structurate
+Datele semi-structurate au caracteristici care le fac o combinație între date structurate și nestructurate. De obicei, nu se conformează unui format de rânduri și coloane, dar sunt organizate într-un mod considerat structurat și pot urma un format fix sau un set de reguli. Structura va varia între surse, de la o ierarhie bine definită la ceva mai flexibil, care permite integrarea ușoară a informațiilor noi. Metadatele sunt indicatori care ajută la determinarea modului în care datele sunt organizate și stocate și vor avea diverse denumiri, în funcție de tipul de date. Câteva denumiri comune pentru metadate sunt etichete, elemente, entități și atribute. De exemplu, un mesaj tipic de e-mail va avea un subiect, un corp și un set de destinatari și poate fi organizat în funcție de cine sau când a fost trimis.
+
+Exemple de date semi-structurate: HTML, fișiere CSV, JavaScript Object Notation (JSON).
+
+## Sursele datelor
+
+O sursă de date este locația inițială de unde au fost generate datele sau unde "trăiesc" și va varia în funcție de modul și momentul în care au fost colectate. Datele generate de utilizator(i) sunt cunoscute ca date primare, în timp ce datele secundare provin dintr-o sursă care a colectat date pentru utilizare generală. De exemplu, un grup de oameni de știință care colectează observații într-o pădure tropicală ar fi considerat primar, iar dacă decid să le împărtășească altor oameni de știință, acestea ar fi considerate secundare pentru cei care le folosesc.
+
+Bazele de date sunt o sursă comună și se bazează pe un sistem de gestionare a bazelor de date pentru a găzdui și întreține datele, unde utilizatorii folosesc comenzi numite interogări pentru a explora datele. Fișierele ca surse de date pot fi fișiere audio, imagine și video, precum și tabele precum Excel. Sursele de pe internet sunt o locație comună pentru găzduirea datelor, unde pot fi găsite atât baze de date, cât și fișiere. Interfețele de programare a aplicațiilor, cunoscute și sub denumirea de API-uri, permit programatorilor să creeze modalități de a partaja date cu utilizatori externi prin internet, în timp ce procesul de web scraping extrage date de pe o pagină web. [Lecțiile din Lucrul cu Date](../../../../../../../../../2-Working-With-Data) se concentrează pe modul de utilizare a diferitelor surse de date.
+
+## Concluzie
+
+În această lecție am învățat:
+
+- Ce sunt datele
+- Cum sunt descrise datele
+- Cum sunt clasificate și categorisite datele
+- Unde pot fi găsite datele
+
+## 🚀 Provocare
+
+Kaggle este o sursă excelentă de seturi de date deschise. Folosiți [instrumentul de căutare a seturilor de date](https://www.kaggle.com/datasets) pentru a găsi câteva seturi de date interesante și clasificați 3-5 seturi de date conform acestui criteriu:
+
+- Datele sunt cantitative sau calitative?
+- Datele sunt structurate, nestructurate sau semi-structurate?
+
+## [Chestionar Post-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Recapitulare și Studiu Individual
+
+- Această unitate Microsoft Learn, intitulată [Clasificarea Datelor](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), oferă o descriere detaliată a datelor structurate, semi-structurate și nestructurate.
+
+## Temă
+
+[Clasificarea Seturilor de Date](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/03-defining-data/assignment.md b/translations/ro/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..4f3eb13f
--- /dev/null
+++ b/translations/ro/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:31:51+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Clasificarea Seturilor de Date
+
+## Instrucțiuni
+
+Urmați indicațiile din această temă pentru a identifica și clasifica datele cu câte unul dintre următoarele tipuri de date:
+
+**Tipuri de Structură**: Structurate, Semi-Structurate sau Nestructurate
+
+**Tipuri de Valoare**: Calitative sau Cantitative
+
+**Tipuri de Sursă**: Primare sau Secundare
+
+1. O companie a fost achiziționată și acum are o companie-mamă. Oamenii de știință în domeniul datelor au primit un tabel cu numerele de telefon ale clienților de la compania-mamă.
+
+Tip de Structură:
+
+Tip de Valoare:
+
+Tip de Sursă:
+
+---
+
+2. Un ceas inteligent colectează date despre ritmul cardiac al purtătorului, iar datele brute sunt în format JSON.
+
+Tip de Structură:
+
+Tip de Valoare:
+
+Tip de Sursă:
+
+---
+
+3. Un sondaj la locul de muncă despre moralul angajaților, stocat într-un fișier CSV.
+
+Tip de Structură:
+
+Tip de Valoare:
+
+Tip de Sursă:
+
+---
+
+4. Astrofizicienii accesează o bază de date despre galaxii, colectată de o sondă spațială. Datele conțin numărul de planete din fiecare galaxie.
+
+Tip de Structură:
+
+Tip de Valoare:
+
+Tip de Sursă:
+
+---
+
+5. O aplicație de finanțe personale folosește API-uri pentru a se conecta la conturile financiare ale utilizatorului, pentru a calcula valoarea netă a acestuia. Utilizatorii pot vedea toate tranzacțiile lor într-un format de rânduri și coloane, similar unui tabel.
+
+Tip de Structură:
+
+Tip de Valoare:
+
+Tip de Sursă:
+
+## Grilă de Evaluare
+
+Exemplar | Adecvat | Necesită Îmbunătățiri
+--- | --- | -- |
+Identifică corect toate tipurile de structură, valoare și sursă | Identifică corect 3 tipuri de structură, valoare și sursă | Identifică corect 2 sau mai puține tipuri de structură, valoare și sursă |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/04-stats-and-probability/README.md b/translations/ro/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..32cd9838
--- /dev/null
+++ b/translations/ro/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:38:49+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "ro"
+}
+-->
+# O scurtă introducere în statistică și probabilitate
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Statistică și Probabilitate - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Teoria statisticii și probabilității sunt două domenii strâns legate ale matematicii, extrem de relevante pentru știința datelor. Este posibil să lucrăm cu date fără o cunoaștere profundă a matematicii, dar este totuși mai bine să avem măcar câteva concepte de bază. Aici vom prezenta o scurtă introducere care te va ajuta să începi.
+
+[![Video introductiv](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ro.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Probabilitate și variabile aleatoare
+
+**Probabilitatea** este un număr între 0 și 1 care exprimă cât de probabil este un **eveniment**. Este definită ca numărul de rezultate pozitive (care duc la eveniment), împărțit la numărul total de rezultate, presupunând că toate rezultatele sunt la fel de probabile. De exemplu, când aruncăm un zar, probabilitatea de a obține un număr par este 3/6 = 0.5.
+
+Când vorbim despre evenimente, folosim **variabile aleatoare**. De exemplu, variabila aleatoare care reprezintă numărul obținut la aruncarea unui zar ar lua valori de la 1 la 6. Setul de numere de la 1 la 6 se numește **spațiu de probă**. Putem vorbi despre probabilitatea ca o variabilă aleatoare să ia o anumită valoare, de exemplu P(X=3)=1/6.
+
+Variabila aleatoare din exemplul anterior se numește **discretă**, deoarece are un spațiu de probă numărabil, adică există valori separate care pot fi enumerate. Există cazuri în care spațiul de probă este un interval de numere reale sau întregul set de numere reale. Astfel de variabile se numesc **continue**. Un exemplu bun este timpul de sosire al autobuzului.
+
+## Distribuția probabilității
+
+În cazul variabilelor aleatoare discrete, este ușor să descriem probabilitatea fiecărui eveniment printr-o funcție P(X). Pentru fiecare valoare *s* din spațiul de probă *S*, aceasta va da un număr între 0 și 1, astfel încât suma tuturor valorilor P(X=s) pentru toate evenimentele să fie 1.
+
+Cea mai cunoscută distribuție discretă este **distribuția uniformă**, în care există un spațiu de probă cu N elemente, cu o probabilitate egală de 1/N pentru fiecare dintre ele.
+
+Este mai dificil să descriem distribuția probabilității unei variabile continue, cu valori extrase dintr-un interval [a,b] sau întregul set de numere reale ℝ. Luați în considerare cazul timpului de sosire al autobuzului. De fapt, pentru fiecare moment exact de sosire *t*, probabilitatea ca autobuzul să sosească exact la acel moment este 0!
+
+> Acum știi că evenimentele cu probabilitate 0 se întâmplă, și foarte des! Cel puțin de fiecare dată când sosește autobuzul!
+
+Putem vorbi doar despre probabilitatea ca o variabilă să se încadreze într-un anumit interval de valori, de exemplu P(t<sub>1</sub>≤X<t<sub>2</sub>). În acest caz, distribuția probabilității este descrisă printr-o **funcție de densitate a probabilității** p(x), astfel încât
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ro.png)
+
+Un analog continuu al distribuției uniforme se numește **uniform continuu**, care este definit pe un interval finit. Probabilitatea ca valoarea X să se încadreze într-un interval de lungime l este proporțională cu l și crește până la 1.
+
+O altă distribuție importantă este **distribuția normală**, despre care vom vorbi mai detaliat mai jos.
+
+## Media, varianta și abaterea standard
+
+Să presupunem că extragem o secvență de n probe ale unei variabile aleatoare X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Putem defini **media** (sau **media aritmetică**) valorii secvenței în mod tradițional ca (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. Pe măsură ce creștem dimensiunea probei (adică luăm limita cu n→∞), vom obține media (numită și **așteptare**) distribuției. Vom nota așteptarea prin **E**(x).
+
+> Se poate demonstra că pentru orice distribuție discretă cu valori {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} și probabilități corespunzătoare p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, așteptarea ar fi egală cu E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Pentru a identifica cât de răspândite sunt valorile, putem calcula varianta σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, unde μ este media secvenței. Valoarea σ se numește **abatere standard**, iar σ<sup>2</sup> se numește **variantă**.
+
+## Mod, mediană și quartile
+
+Uneori, media nu reprezintă adecvat valoarea "tipică" pentru date. De exemplu, când există câteva valori extreme care sunt complet în afara intervalului, acestea pot afecta media. O altă indicație bună este **mediana**, o valoare astfel încât jumătate dintre punctele de date sunt mai mici decât aceasta, iar cealaltă jumătate - mai mari.
+
+Pentru a ne ajuta să înțelegem distribuția datelor, este util să vorbim despre **quartile**:
+
+* Primul quartil, sau Q1, este o valoare astfel încât 25% din date sunt sub aceasta
+* Al treilea quartil, sau Q3, este o valoare astfel încât 75% din date sunt sub aceasta
+
+Grafic, putem reprezenta relația dintre mediană și quartile într-un diagramă numită **box plot**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Aici calculăm și **intervalul interquartil** IQR=Q3-Q1 și așa-numitele **valori extreme** - valori care se află în afara limitelor [Q1-1.5*IQR,Q3+1.5*IQR].
+
+Pentru o distribuție finită care conține un număr mic de valori posibile, o valoare "tipică" bună este cea care apare cel mai frecvent, numită **mod**. Este adesea aplicată datelor categorice, cum ar fi culorile. Luați în considerare o situație în care avem două grupuri de oameni - unii care preferă puternic roșu și alții care preferă albastru. Dacă codificăm culorile prin numere, valoarea medie pentru culoarea preferată ar fi undeva în spectrul portocaliu-verde, ceea ce nu indică preferința reală a niciunui grup. Totuși, modul ar fi fie una dintre culori, fie ambele culori, dacă numărul de persoane care votează pentru ele este egal (în acest caz, numim proba **multimodală**).
+
+## Date din lumea reală
+
+Când analizăm date din viața reală, acestea nu sunt adesea variabile aleatoare propriu-zise, în sensul că nu efectuăm experimente cu rezultat necunoscut. De exemplu, luați în considerare o echipă de jucători de baseball și datele lor corporale, cum ar fi înălțimea, greutatea și vârsta. Aceste numere nu sunt exact aleatoare, dar putem aplica aceleași concepte matematice. De exemplu, o secvență de greutăți ale oamenilor poate fi considerată o secvență de valori extrase dintr-o variabilă aleatoare. Mai jos este secvența de greutăți ale jucătorilor de baseball din [Major League Baseball](http://mlb.mlb.com/index.jsp), luată din [acest set de date](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (pentru comoditate, sunt afișate doar primele 20 de valori):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Note**: Pentru a vedea un exemplu de lucru cu acest set de date, consultați [notebook-ul însoțitor](notebook.ipynb). Există și o serie de provocări pe parcursul acestei lecții, pe care le puteți completa adăugând cod în acel notebook. Dacă nu sunteți sigur cum să operați pe date, nu vă faceți griji - vom reveni la lucrul cu date folosind Python mai târziu. Dacă nu știți cum să rulați cod în Jupyter Notebook, consultați [acest articol](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Iată box plot-ul care arată media, mediana și quartilele pentru datele noastre:
+
+![Weight Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ro.png)
+
+Deoarece datele noastre conțin informații despre diferite **roluri** ale jucătorilor, putem face și un box plot pe roluri - acest lucru ne va permite să înțelegem cum diferă valorile parametrilor între roluri. De această dată vom considera înălțimea:
+
+![Box plot pe roluri](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ro.png)
+
+Acest diagramă sugerează că, în medie, înălțimea jucătorilor de primă bază este mai mare decât înălțimea jucătorilor de a doua bază. Mai târziu în această lecție vom învăța cum putem testa această ipoteză mai formal și cum să demonstrăm că datele noastre sunt semnificative din punct de vedere statistic pentru a arăta acest lucru.
+
+> Când lucrăm cu date din lumea reală, presupunem că toate punctele de date sunt probe extrase dintr-o distribuție de probabilitate. Această presupunere ne permite să aplicăm tehnici de învățare automată și să construim modele predictive funcționale.
+
+Pentru a vedea ce distribuție au datele noastre, putem trasa un grafic numit **histogramă**. Axa X ar conține un număr de intervale de greutate diferite (așa-numitele **bin-uri**), iar axa verticală ar arăta numărul de ori când proba variabilei aleatoare a fost în interiorul unui interval dat.
+
+![Histogramă a datelor din lumea reală](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ro.png)
+
+Din această histogramă puteți vedea că toate valorile sunt centrate în jurul unei anumite greutăți medii, iar cu cât ne îndepărtăm de acea greutate - cu atât mai puține greutăți de acea valoare sunt întâlnite. Adică, este foarte improbabil ca greutatea unui jucător de baseball să fie foarte diferită de greutatea medie. Varianta greutăților arată măsura în care greutățile sunt susceptibile să difere de medie.
+
+> Dacă luăm greutățile altor persoane, nu din liga de baseball, distribuția este probabil să fie diferită. Totuși, forma distribuției va fi aceeași, dar media și varianta ar fi diferite. Deci, dacă antrenăm modelul nostru pe jucători de baseball, este probabil să dea rezultate greșite când este aplicat studenților unei universități, deoarece distribuția de bază este diferită.
+
+## Distribuția normală
+
+Distribuția greutăților pe care am văzut-o mai sus este foarte tipică, iar multe măsurători din lumea reală urmează același tip de distribuție, dar cu medii și variante diferite. Această distribuție se numește **distribuție normală** și joacă un rol foarte important în statistică.
+
+Utilizarea distribuției normale este o modalitate corectă de a genera greutăți aleatorii ale potențialilor jucători de baseball. Odată ce știm greutatea medie `mean` și abaterea standard `std`, putem genera 1000 de probe de greutate în următorul mod:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Dacă trasăm histograma probelor generate, vom vedea o imagine foarte similară cu cea prezentată mai sus. Și dacă mărim numărul de probe și numărul de bin-uri, putem genera o imagine a unei distribuții normale care este mai aproape de ideal:
+
+![Distribuție normală cu medie=0 și abatere standard=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ro.png)
+
+*Distribuție normală cu medie=0 și abatere standard=1*
+
+## Intervalele de încredere
+
+Când vorbim despre greutățile jucătorilor de baseball, presupunem că există o **variabilă aleatoare W** care corespunde distribuției ideale de probabilitate a greutăților tuturor jucătorilor de baseball (așa-numita **populație**). Secvența noastră de greutăți corespunde unui subset al tuturor jucătorilor de baseball pe care îl numim **probă**. O întrebare interesantă este: putem cunoaște parametrii distribuției lui W, adică media și varianta populației?
+
+Cel mai simplu răspuns ar fi să calculăm media și varianta probei noastre. Totuși, s-ar putea întâmpla ca proba noastră aleatorie să nu reprezinte cu acuratețe întreaga populație. Astfel, are sens să vorbim despre **intervalul de încredere**.
+> **Intervalul de încredere** reprezintă estimarea mediei reale a populației pe baza eșantionului nostru, care este precisă cu o anumită probabilitate (sau **nivel de încredere**).
+Presupunem că avem un eșantion X<sub>1</sub>, ..., X<sub>n</sub> din distribuția noastră. De fiecare dată când extragem un eșantion din distribuție, ajungem la o valoare medie diferită μ. Astfel, μ poate fi considerată o variabilă aleatorie. Un **interval de încredere** cu încredere p este o pereche de valori (L<sub>p</sub>,R<sub>p</sub>), astfel încât **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, adică probabilitatea ca valoarea medie măsurată să se încadreze în interval este egală cu p.
+
+Depășește scopul acestei introduceri scurte să discutăm în detaliu cum se calculează aceste intervale de încredere. Mai multe detalii pot fi găsite [pe Wikipedia](https://en.wikipedia.org/wiki/Confidence_interval). Pe scurt, definim distribuția mediei eșantionului calculat în raport cu media reală a populației, care se numește **distribuția Student**.
+
+> **Fapt interesant**: Distribuția Student este numită după matematicianul William Sealy Gosset, care și-a publicat lucrarea sub pseudonimul "Student". El a lucrat la fabrica de bere Guinness, iar, conform uneia dintre versiuni, angajatorul său nu dorea ca publicul larg să știe că foloseau teste statistice pentru a determina calitatea materiilor prime.
+
+Dacă dorim să estimăm media μ a populației noastre cu încredere p, trebuie să luăm *(1-p)/2-percentila* dintr-o distribuție Student A, care poate fi obținută fie din tabele, fie calculată folosind funcții integrate ale software-ului statistic (de exemplu, Python, R etc.). Apoi, intervalul pentru μ ar fi dat de X±A*D/√n, unde X este media obținută a eșantionului, iar D este deviația standard.
+
+> **Notă**: Omitem, de asemenea, discuția unui concept important al [gradele de libertate](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), care este important în raport cu distribuția Student. Puteți consulta cărți mai complete despre statistică pentru a înțelege mai profund acest concept.
+
+Un exemplu de calcul al intervalului de încredere pentru greutăți și înălțimi este dat în [notebook-ul însoțitor](notebook.ipynb).
+
+| p | Media greutății |
+|-----|-----------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+Observați că, cu cât probabilitatea de încredere este mai mare, cu atât intervalul de încredere este mai larg.
+
+## Testarea Ipotezelor
+
+În setul nostru de date despre jucătorii de baseball, există diferite roluri ale jucătorilor, care pot fi rezumate mai jos (consultați [notebook-ul însoțitor](notebook.ipynb) pentru a vedea cum poate fi calculat acest tabel):
+
+| Rol | Înălțime | Greutate | Număr |
+|------|--------|--------|-------|
+| Catcher | 72.723684 | 204.328947 | 76 |
+| Designated_Hitter | 74.222222 | 220.888889 | 18 |
+| First_Baseman | 74.000000 | 213.109091 | 55 |
+| Outfielder | 73.010309 | 199.113402 | 194 |
+| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
+| Second_Baseman | 71.362069 | 184.344828 | 58 |
+| Shortstop | 71.903846 | 182.923077 | 52 |
+| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
+| Third_Baseman | 73.044444 | 200.955556 | 45 |
+
+Putem observa că media înălțimilor pentru jucătorii de primă bază este mai mare decât cea pentru jucătorii de a doua bază. Astfel, am putea fi tentați să concluzionăm că **jucătorii de primă bază sunt mai înalți decât cei de a doua bază**.
+
+> Această afirmație se numește **o ipoteză**, deoarece nu știm dacă acest fapt este cu adevărat adevărat sau nu.
+
+Totuși, nu este întotdeauna evident dacă putem face această concluzie. Din discuția de mai sus știm că fiecare medie are un interval de încredere asociat, iar această diferență poate fi doar o eroare statistică. Avem nevoie de o metodă mai formală pentru a testa ipoteza noastră.
+
+Să calculăm intervalele de încredere separat pentru înălțimile jucătorilor de primă și a doua bază:
+
+| Încredere | Jucători de primă bază | Jucători de a doua bază |
+|------------|---------------|----------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+Putem vedea că, indiferent de nivelul de încredere, intervalele nu se suprapun. Acest lucru dovedește ipoteza noastră că jucătorii de primă bază sunt mai înalți decât cei de a doua bază.
+
+Mai formal, problema pe care o rezolvăm este să vedem dacă **două distribuții de probabilitate sunt identice**, sau cel puțin au aceleași parametri. În funcție de distribuție, trebuie să folosim teste diferite pentru aceasta. Dacă știm că distribuțiile noastre sunt normale, putem aplica **[Student t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+În Student t-test, calculăm așa-numita **valoare t**, care indică diferența dintre medii, luând în considerare variația. S-a demonstrat că valoarea t urmează **distribuția Student**, ceea ce ne permite să obținem valoarea limită pentru un nivel de încredere dat **p** (aceasta poate fi calculată sau consultată în tabele numerice). Comparăm apoi valoarea t cu această limită pentru a aproba sau respinge ipoteza.
+
+În Python, putem folosi pachetul **SciPy**, care include funcția `ttest_ind` (pe lângă multe alte funcții statistice utile!). Aceasta calculează valoarea t pentru noi și face, de asemenea, căutarea inversă a valorii p de încredere, astfel încât să putem doar să ne uităm la nivelul de încredere pentru a trage concluzia.
+
+De exemplu, comparația noastră între înălțimile jucătorilor de primă și a doua bază ne oferă următoarele rezultate:
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+În cazul nostru, valoarea p este foarte mică, ceea ce înseamnă că există dovezi puternice care susțin că jucătorii de primă bază sunt mai înalți.
+
+Există și alte tipuri de ipoteze pe care am putea dori să le testăm, de exemplu:
+* Să demonstrăm că un eșantion dat urmează o anumită distribuție. În cazul nostru, am presupus că înălțimile sunt distribuite normal, dar acest lucru necesită o verificare statistică formală.
+* Să demonstrăm că valoarea medie a unui eșantion corespunde unei valori predefinite.
+* Să comparăm mediile mai multor eșantioane (de exemplu, care este diferența în nivelurile de fericire între diferite grupuri de vârstă).
+
+## Legea Numerelor Mari și Teorema Limitei Centrale
+
+Unul dintre motivele pentru care distribuția normală este atât de importantă este așa-numita **teorema limitei centrale**. Presupunem că avem un eșantion mare de N valori independente X<sub>1</sub>, ..., X<sub>N</sub>, eșantionate din orice distribuție cu media μ și variația σ<sup>2</sup>. Atunci, pentru N suficient de mare (cu alte cuvinte, când N→∞), media Σ<sub>i</sub>X<sub>i</sub> ar fi distribuită normal, cu media μ și variația σ<sup>2</sup>/N.
+
+> O altă modalitate de a interpreta teorema limitei centrale este să spunem că, indiferent de distribuție, atunci când calculați media unei sume de valori ale variabilelor aleatorii ajungeți la distribuția normală.
+
+Din teorema limitei centrale rezultă, de asemenea, că, atunci când N→∞, probabilitatea ca media eșantionului să fie egală cu μ devine 1. Acest lucru este cunoscut sub numele de **legea numerelor mari**.
+
+## Covarianță și Corelație
+
+Unul dintre lucrurile pe care le face Data Science este să găsească relații între date. Spunem că două secvențe **corelează** atunci când prezintă un comportament similar în același timp, adică fie cresc/scad simultan, fie o secvență crește când cealaltă scade și invers. Cu alte cuvinte, pare să existe o relație între cele două secvențe.
+
+> Corelația nu indică neapărat o relație cauzală între două secvențe; uneori ambele variabile pot depinde de o cauză externă sau poate fi pur întâmplător că cele două secvențe corelează. Totuși, o corelație matematică puternică este un bun indiciu că cele două variabile sunt cumva conectate.
+
+Matematic, conceptul principal care arată relația dintre două variabile aleatorii este **covarianța**, care se calculează astfel: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Calculăm deviația ambelor variabile față de valorile lor medii, apoi produsul acestor deviații. Dacă ambele variabile deviază împreună, produsul va fi întotdeauna o valoare pozitivă, care se va adăuga la covarianța pozitivă. Dacă ambele variabile deviază în afara sincronizării (adică una scade sub medie când cealaltă crește peste medie), vom obține întotdeauna numere negative, care se vor adăuga la covarianța negativă. Dacă deviațiile nu sunt dependente, ele se vor adăuga aproximativ la zero.
+
+Valoarea absolută a covarianței nu ne spune prea multe despre cât de mare este corelația, deoarece depinde de magnitudinea valorilor reale. Pentru a o normaliza, putem împărți covarianța la deviația standard a ambelor variabile, pentru a obține **corelația**. Partea bună este că corelația este întotdeauna în intervalul [-1,1], unde 1 indică o corelație pozitivă puternică între valori, -1 - o corelație negativă puternică, iar 0 - nicio corelație (variabilele sunt independente).
+
+**Exemplu**: Putem calcula corelația între greutățile și înălțimile jucătorilor de baseball din setul de date menționat mai sus:
+```python
+print(np.corrcoef(weights,heights))
+```
+Ca rezultat, obținem **matricea de corelație** astfel:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> Matricea de corelație C poate fi calculată pentru orice număr de secvențe de intrare S<sub>1</sub>, ..., S<sub>n</sub>. Valoarea C<sub>ij</sub> este corelația dintre S<sub>i</sub> și S<sub>j</sub>, iar elementele diagonale sunt întotdeauna 1 (care este și auto-corelația lui S<sub>i</sub>).
+
+În cazul nostru, valoarea 0.53 indică faptul că există o anumită corelație între greutatea și înălțimea unei persoane. De asemenea, putem face un grafic de dispersie al unei valori în raport cu cealaltă pentru a vedea relația vizual:
+
+![Relația între greutate și înălțime](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ro.png)
+
+> Mai multe exemple de corelație și covarianță pot fi găsite în [notebook-ul însoțitor](notebook.ipynb).
+
+## Concluzie
+
+În această secțiune, am învățat:
+
+* proprietăți statistice de bază ale datelor, cum ar fi media, variația, moda și quartilele
+* diferite distribuții ale variabilelor aleatorii, inclusiv distribuția normală
+* cum să găsim corelația între diferite proprietăți
+* cum să folosim aparatul matematic și statistic pentru a demonstra unele ipoteze
+* cum să calculăm intervalele de încredere pentru o variabilă aleatorie dat un eșantion de date
+
+Deși aceasta nu este o listă exhaustivă de subiecte care există în cadrul probabilității și statisticii, ar trebui să fie suficient pentru a vă oferi un început bun în acest curs.
+
+## 🚀 Provocare
+
+Folosiți codul exemplu din notebook pentru a testa alte ipoteze:
+1. Jucătorii de primă bază sunt mai în vârstă decât cei de a doua bază
+2. Jucătorii de primă bază sunt mai înalți decât cei de a treia bază
+3. Shortstop-urile sunt mai înalte decât jucătorii de a doua bază
+
+## [Quiz post-lectură](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Recapitulare și Studiu Individual
+
+Probabilitatea și statistica sunt subiecte atât de vaste încât merită propriul curs. Dacă sunteți interesat să aprofundați teoria, poate doriți să continuați să citiți unele dintre următoarele cărți:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) de la Universitatea din New York are note excelente de curs [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (disponibile online)
+1. [Peter și Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[cod exemplu în R](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[cod exemplu în R](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
+
+## Temă
+
+[Studiu mic despre diabet](assignment.md)
+
+## Credite
+
+Această lecție a fost scrisă cu ♥️ de [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/04-stats-and-probability/assignment.md b/translations/ro/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..b12e5c97
--- /dev/null
+++ b/translations/ro/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:42:57+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Studiu Mic despre Diabet
+
+În această temă, vom lucra cu un set de date mic despre pacienți cu diabet, preluat de [aici](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | VÂRSTĂ | SEX | IMC | TA | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|--------|-----|-----|----|----|----|----|----|----|----|----|
+| 0 | 59     | 2   | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48     | 1   | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72     | 2   | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ...  | ... | ...  | ...  | ... | ...  | ...  | ... | ... | ... | ... |
+
+## Instrucțiuni
+
+* Deschide [notebook-ul temei](assignment.ipynb) într-un mediu jupyter notebook
+* Completează toate sarcinile listate în notebook, și anume:
+   * [ ] Calculează valorile medii și varianța pentru toate valorile
+   * [ ] Realizează boxplot-uri pentru IMC, TA și Y în funcție de gen
+   * [ ] Care este distribuția variabilelor Vârstă, Sex, IMC și Y?
+   * [ ] Testează corelația dintre diferite variabile și progresia bolii (Y)
+   * [ ] Testează ipoteza conform căreia gradul de progresie a diabetului este diferit între bărbați și femei
+   
+## Criterii de Evaluare
+
+Exemplar | Adecvat | Necesită Îmbunătățiri
+--- | --- | -- |
+Toate sarcinile cerute sunt complete, ilustrate grafic și explicate | Majoritatea sarcinilor sunt complete, dar lipsesc explicațiile sau concluziile din grafice și/sau valorile obținute | Doar sarcinile de bază, cum ar fi calculul mediei/varianței și graficele simple, sunt complete, fără concluzii din date
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/1-Introduction/README.md b/translations/ro/1-Introduction/README.md
new file mode 100644
index 00000000..dc427af7
--- /dev/null
+++ b/translations/ro/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T15:00:05+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "ro"
+}
+-->
+# Introducere în Știința Datelor
+
+![date în acțiune](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ro.jpg)
+> Fotografie de <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> pe <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+În aceste lecții, vei descoperi cum este definită Știința Datelor și vei învăța despre considerațiile etice pe care trebuie să le ia în calcul un specialist în date. De asemenea, vei învăța cum sunt definite datele și vei afla câte ceva despre statistică și probabilitate, domeniile academice de bază ale Științei Datelor.
+
+### Subiecte
+
+1. [Definirea Științei Datelor](01-defining-data-science/README.md)
+2. [Etica în Știința Datelor](02-ethics/README.md)
+3. [Definirea Datelor](03-defining-data/README.md)
+4. [Introducere în Statistică și Probabilitate](04-stats-and-probability/README.md)
+
+### Credite
+
+Aceste lecții au fost scrise cu ❤️ de [Nitya Narasimhan](https://twitter.com/nitya) și [Dmitry Soshnikov](https://twitter.com/shwars).
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de oameni. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/05-relational-databases/README.md b/translations/ro/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..3d3ed211
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:31:04+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "ro"
+}
+-->
+# Lucrul cu Date: Baze de Date Relaționale
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Lucrul cu Date: Baze de Date Relaționale - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Probabil ai folosit un tabel în trecut pentru a stoca informații. Aveai un set de rânduri și coloane, unde rândurile conțineau informațiile (sau datele), iar coloanele descriau informațiile (uneori numite metadate). O bază de date relațională se bazează pe acest principiu de bază al coloanelor și rândurilor din tabele, permițându-ți să ai informații distribuite pe mai multe tabele. Acest lucru îți permite să lucrezi cu date mai complexe, să eviți duplicarea și să ai flexibilitate în modul în care explorezi datele. Haide să explorăm conceptele unei baze de date relaționale.
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Totul începe cu tabele
+
+O bază de date relațională are la bază tabele. La fel ca în cazul unui tabel, un tabel este o colecție de coloane și rânduri. Rândul conține datele sau informațiile cu care dorim să lucrăm, cum ar fi numele unui oraș sau cantitatea de precipitații. Coloanele descriu datele pe care le stochează.
+
+Să începem explorarea noastră prin crearea unui tabel pentru a stoca informații despre orașe. Am putea începe cu numele și țara lor. Ai putea stoca aceste informații într-un tabel astfel:
+
+| Oraș     | Țară          |
+| -------- | ------------- |
+| Tokyo    | Japonia       |
+| Atlanta  | Statele Unite |
+| Auckland | Noua Zeelandă |
+
+Observă că numele coloanelor **oraș**, **țară** și **populație** descriu datele stocate, iar fiecare rând conține informații despre un oraș.
+
+## Limitările abordării cu un singur tabel
+
+Probabil că tabelul de mai sus îți pare destul de familiar. Să începem să adăugăm niște date suplimentare în baza noastră de date în formare - precipitațiile anuale (în milimetri). Ne vom concentra pe anii 2018, 2019 și 2020. Dacă ar fi să le adăugăm pentru Tokyo, ar putea arăta astfel:
+
+| Oraș  | Țară    | An   | Cantitate |
+| ----- | ------- | ---- | --------- |
+| Tokyo | Japonia | 2020 | 1690      |
+| Tokyo | Japonia | 2019 | 1874      |
+| Tokyo | Japonia | 2018 | 1445      |
+
+Ce observi la tabelul nostru? Poți observa că duplicăm numele și țara orașului de mai multe ori. Acest lucru ar putea ocupa destul de mult spațiu de stocare și este în mare parte inutil să avem mai multe copii. La urma urmei, Tokyo are doar un singur nume care ne interesează.
+
+OK, să încercăm altceva. Să adăugăm noi coloane pentru fiecare an:
+
+| Oraș     | Țară          | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Tokyo    | Japonia       | 1445 | 1874 | 1690 |
+| Atlanta  | Statele Unite | 1779 | 1111 | 1683 |
+| Auckland | Noua Zeelandă | 1386 | 942  | 1176 |
+
+Deși acest lucru evită duplicarea rândurilor, adaugă alte câteva provocări. Ar trebui să modificăm structura tabelului de fiecare dată când apare un nou an. În plus, pe măsură ce datele noastre cresc, având anii ca și coloane va face mai dificilă recuperarea și calcularea valorilor.
+
+De aceea avem nevoie de mai multe tabele și relații. Prin împărțirea datelor noastre putem evita duplicarea și avem mai multă flexibilitate în modul în care lucrăm cu datele.
+
+## Conceptele relațiilor
+
+Să revenim la datele noastre și să determinăm cum dorim să le împărțim. Știm că vrem să stocăm numele și țara orașelor noastre, așa că acest lucru va funcționa probabil cel mai bine într-un singur tabel.
+
+| Oraș     | Țară          |
+| -------- | ------------- |
+| Tokyo    | Japonia       |
+| Atlanta  | Statele Unite |
+| Auckland | Noua Zeelandă |
+
+Dar înainte de a crea următorul tabel, trebuie să ne dăm seama cum să referim fiecare oraș. Avem nevoie de o formă de identificator, ID sau (în termeni tehnici de baze de date) o cheie primară. O cheie primară este o valoare utilizată pentru a identifica un rând specific într-un tabel. Deși aceasta ar putea fi bazată pe o valoare în sine (am putea folosi numele orașului, de exemplu), ar trebui să fie aproape întotdeauna un număr sau alt identificator. Nu vrem ca ID-ul să se schimbe vreodată, deoarece ar rupe relația. Vei observa că, în cele mai multe cazuri, cheia primară sau ID-ul va fi un număr generat automat.
+
+> ✅ Cheia primară este frecvent abreviată ca PK
+
+### orașe
+
+| city_id | Oraș     | Țară          |
+| ------- | -------- | ------------- |
+| 1       | Tokyo    | Japonia       |
+| 2       | Atlanta  | Statele Unite |
+| 3       | Auckland | Noua Zeelandă |
+
+> ✅ Vei observa că folosim termenii "id" și "cheie primară" interschimbabil în timpul acestei lecții. Conceptele de aici se aplică și la DataFrames, pe care le vei explora mai târziu. DataFrames nu folosesc terminologia de "cheie primară", însă vei observa că se comportă în mod similar.
+
+Cu tabelul nostru de orașe creat, să stocăm precipitațiile. În loc să duplicăm informațiile complete despre oraș, putem folosi ID-ul. De asemenea, ar trebui să ne asigurăm că tabelul nou creat are o coloană *id*, deoarece toate tabelele ar trebui să aibă un ID sau o cheie primară.
+
+### precipitații
+
+| rainfall_id | city_id | An   | Cantitate |
+| ----------- | ------- | ---- | --------- |
+| 1           | 1       | 2018 | 1445      |
+| 2           | 1       | 2019 | 1874      |
+| 3           | 1       | 2020 | 1690      |
+| 4           | 2       | 2018 | 1779      |
+| 5           | 2       | 2019 | 1111      |
+| 6           | 2       | 2020 | 1683      |
+| 7           | 3       | 2018 | 1386      |
+| 8           | 3       | 2019 | 942       |
+| 9           | 3       | 2020 | 1176      |
+
+Observă coloana **city_id** din tabelul nou creat **precipitații**. Această coloană conține valori care fac referire la ID-urile din tabelul **orașe**. În termeni tehnici de date relaționale, aceasta se numește **cheie străină**; este o cheie primară din alt tabel. Poți să o consideri pur și simplu ca o referință sau un indicator. **city_id** 1 face referire la Tokyo.
+
+> [!NOTE] Cheia străină este frecvent abreviată ca FK
+
+## Recuperarea datelor
+
+Cu datele noastre separate în două tabele, te-ai putea întreba cum le recuperăm. Dacă folosim o bază de date relațională precum MySQL, SQL Server sau Oracle, putem folosi un limbaj numit Structured Query Language sau SQL. SQL (uneori pronunțat "sequel") este un limbaj standard utilizat pentru a recupera și modifica datele dintr-o bază de date relațională.
+
+Pentru a recupera datele, folosești comanda `SELECT`. În esență, **selectezi** coloanele pe care vrei să le vezi **din** tabelul în care sunt conținute. Dacă ai vrea să afișezi doar numele orașelor, ai putea folosi următorul:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` este locul unde listezi coloanele, iar `FROM` este locul unde listezi tabelele.
+
+> [NOTE] Sintaxa SQL este insensibilă la majuscule, ceea ce înseamnă că `select` și `SELECT` înseamnă același lucru. Totuși, în funcție de tipul de bază de date pe care îl folosești, coloanele și tabelele ar putea fi sensibile la majuscule. Ca rezultat, este o bună practică să tratezi întotdeauna totul în programare ca fiind sensibil la majuscule. Când scrii interogări SQL, convenția comună este să pui cuvintele cheie în litere mari.
+
+Interogarea de mai sus va afișa toate orașele. Să ne imaginăm că vrem să afișăm doar orașele din Noua Zeelandă. Avem nevoie de o formă de filtru. Cuvântul cheie SQL pentru aceasta este `WHERE`, sau "unde ceva este adevărat".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Îmbinarea datelor
+
+Până acum am recuperat date dintr-un singur tabel. Acum vrem să aducem datele împreună din **orașe** și **precipitații**. Acest lucru se face prin *îmbinarea* lor. Practic vei crea o legătură între cele două tabele și vei potrivi valorile dintr-o coloană din fiecare tabel.
+
+În exemplul nostru, vom potrivi coloana **city_id** din **precipitații** cu coloana **city_id** din **orașe**. Acest lucru va potrivi valoarea precipitațiilor cu orașul său respectiv. Tipul de îmbinare pe care îl vom efectua se numește *îmbinare internă*, ceea ce înseamnă că, dacă vreun rând nu se potrivește cu nimic din celălalt tabel, nu va fi afișat. În cazul nostru, fiecare oraș are precipitații, deci totul va fi afișat.
+
+Să recuperăm precipitațiile din 2019 pentru toate orașele noastre.
+
+Vom face acest lucru în pași. Primul pas este să îmbinăm datele împreună indicând coloanele pentru legătură - **city_id**, așa cum am subliniat mai devreme.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Am subliniat cele două coloane pe care le dorim și faptul că vrem să îmbinăm tabelele împreună prin **city_id**. Acum putem adăuga declarația `WHERE` pentru a filtra doar anul 2019.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Rezumat
+
+Baze de date relaționale se concentrează pe împărțirea informațiilor între mai multe tabele, care sunt apoi reunite pentru afișare și analiză. Acest lucru oferă un grad ridicat de flexibilitate pentru a efectua calcule și pentru a manipula datele. Ai văzut conceptele de bază ale unei baze de date relaționale și cum să efectuezi o îmbinare între două tabele.
+
+## 🚀 Provocare
+
+Există numeroase baze de date relaționale disponibile pe internet. Poți explora datele folosind abilitățile pe care le-ai învățat mai sus.
+
+## Chestionar după lecție
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Recapitulare & Studiu Individual
+
+Există mai multe resurse disponibile pe [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) pentru a-ți continua explorarea conceptelor SQL și de baze de date relaționale:
+
+- [Descrie conceptele datelor relaționale](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Începe să interoghezi cu Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL este o versiune de SQL)
+- [Conținut SQL pe Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Temă
+
+[Titlul Temei](assignment.md)
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/05-relational-databases/assignment.md b/translations/ro/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..e913cc2a
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:33:42+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Afișarea datelor despre aeroporturi
+
+Vi s-a pus la dispoziție o [bază de date](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) construită pe [SQLite](https://sqlite.org/index.html), care conține informații despre aeroporturi. Schema este afișată mai jos. Veți utiliza [extensia SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) în [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) pentru a afișa informații despre aeroporturile din diferite orașe.
+
+## Instrucțiuni
+
+Pentru a începe această sarcină, va trebui să urmați câțiva pași. Va trebui să instalați câteva instrumente și să descărcați baza de date de exemplu.
+
+### Configurați sistemul
+
+Puteți utiliza Visual Studio Code și extensia SQLite pentru a interacționa cu baza de date.
+
+1. Accesați [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) și urmați instrucțiunile pentru a instala Visual Studio Code
+1. Instalați [extensia SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) conform instrucțiunilor de pe pagina Marketplace
+
+### Descărcați și deschideți baza de date
+
+În continuare, veți descărca și deschide baza de date.
+
+1. Descărcați [fișierul bazei de date de pe GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) și salvați-l într-un director
+1. Deschideți Visual Studio Code
+1. Deschideți baza de date în extensia SQLite selectând **Ctl-Shift-P** (sau **Cmd-Shift-P** pe Mac) și tastând `SQLite: Open database`
+1. Selectați **Choose database from file** și deschideți fișierul **airports.db** pe care l-ați descărcat anterior
+1. După ce ați deschis baza de date (nu veți vedea o actualizare pe ecran), creați o fereastră nouă de interogare selectând **Ctl-Shift-P** (sau **Cmd-Shift-P** pe Mac) și tastând `SQLite: New query`
+
+Odată deschisă, fereastra nouă de interogare poate fi utilizată pentru a rula instrucțiuni SQL împotriva bazei de date. Puteți utiliza comanda **Ctl-Shift-Q** (sau **Cmd-Shift-Q** pe Mac) pentru a rula interogări împotriva bazei de date.
+
+> [!NOTE] Pentru mai multe informații despre extensia SQLite, puteți consulta [documentația](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Schema bazei de date
+
+Schema unei baze de date reprezintă designul și structura tabelelor sale. Baza de date **airports** are două tabele, `cities`, care conține o listă de orașe din Regatul Unit și Irlanda, și `airports`, care conține lista tuturor aeroporturilor. Deoarece unele orașe pot avea mai multe aeroporturi, au fost create două tabele pentru a stoca informațiile. În acest exercițiu veți utiliza operațiuni de tip join pentru a afișa informații despre diferite orașe.
+
+| Orașe            |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Aeroporturi                      |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK către id în **Orașe**) |
+
+## Sarcină
+
+Creați interogări pentru a returna următoarele informații:
+
+1. toate numele orașelor din tabelul `Cities`
+1. toate orașele din Irlanda din tabelul `Cities`
+1. toate numele aeroporturilor împreună cu orașul și țara lor
+1. toate aeroporturile din Londra, Regatul Unit
+
+## Criterii de evaluare
+
+| Exemplu | Adecvat | Necesită îmbunătățiri |
+| ------- | ------- | --------------------- |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/06-non-relational/README.md b/translations/ro/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..6c61d1dc
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:55:31+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "ro"
+}
+-->
+# Lucrul cu Date: Date Non-Relationale
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Lucrul cu Date NoSQL - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## [Chestionar Pre-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Datele nu sunt limitate la bazele de date relaționale. Această lecție se concentrează pe datele non-relaționale și va acoperi elementele de bază ale foilor de calcul și NoSQL.
+
+## Foi de calcul
+
+Foi de calcul sunt o metodă populară de stocare și explorare a datelor, deoarece necesită mai puțin efort pentru configurare și utilizare. În această lecție vei învăța componentele de bază ale unei foi de calcul, precum și formulele și funcțiile. Exemplele vor fi ilustrate cu Microsoft Excel, dar majoritatea părților și subiectelor vor avea denumiri și pași similari în comparație cu alte programe de foi de calcul.
+
+![Un fișier gol Microsoft Excel cu două foi de lucru](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ro.png)
+
+O foaie de calcul este un fișier și va fi accesibil în sistemul de fișiere al unui computer, dispozitiv sau sistem de fișiere bazat pe cloud. Software-ul în sine poate fi bazat pe browser sau o aplicație care trebuie instalată pe un computer sau descărcată ca aplicație. În Excel, aceste fișiere sunt definite și ca **workbooks** (caiete de lucru), iar această terminologie va fi utilizată pe parcursul lecției.
+
+Un caiet de lucru conține una sau mai multe **worksheets** (foi de lucru), fiecare fiind etichetată prin taburi. În cadrul unei foi de lucru se află dreptunghiuri numite **cells** (celule), care conțin datele propriu-zise. O celulă este intersecția dintre un rând și o coloană, unde coloanele sunt etichetate cu caractere alfabetice, iar rândurile sunt etichetate numeric. Unele foi de calcul vor conține anteturi în primele câteva rânduri pentru a descrie datele dintr-o celulă.
+
+Cu aceste elemente de bază ale unui caiet de lucru Excel, vom folosi un exemplu din [Microsoft Templates](https://templates.office.com/) axat pe un inventar pentru a parcurge câteva părți suplimentare ale unei foi de calcul.
+
+### Gestionarea unui Inventar
+
+Fișierul de foaie de calcul numit "InventoryExample" este o foaie de calcul formatată cu articole dintr-un inventar care conține trei foi de lucru, unde taburile sunt etichetate "Inventory List", "Inventory Pick List" și "Bin Lookup". Rândul 4 din foaia de lucru Inventory List este antetul, care descrie valoarea fiecărei celule din coloana antetului.
+
+![O formulă evidențiată dintr-un exemplu de listă de inventar în Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ro.png)
+
+Există cazuri în care o celulă depinde de valorile altor celule pentru a genera valoarea sa. Foaia de calcul Inventory List urmărește costul fiecărui articol din inventar, dar ce se întâmplă dacă trebuie să știm valoarea totală a inventarului? [**Formulele**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) efectuează acțiuni asupra datelor din celule și sunt utilizate pentru a calcula costul inventarului în acest exemplu. Această foaie de calcul folosește o formulă în coloana Inventory Value pentru a calcula valoarea fiecărui articol prin înmulțirea cantității sub antetul QTY și costurile sub antetul COST. Dublu clic sau evidențierea unei celule va afișa formula. Vei observa că formulele încep cu un semn egal, urmat de calculul sau operația.
+
+![O funcție evidențiată dintr-un exemplu de listă de inventar în Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ro.png)
+
+Putem folosi o altă formulă pentru a aduna toate valorile din Inventory Value pentru a obține valoarea totală. Acest lucru ar putea fi calculat prin adăugarea fiecărei celule pentru a genera suma, dar aceasta poate fi o sarcină obositoare. Excel are [**funcții**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), sau formule predefinite pentru a efectua calcule asupra valorilor celulelor. Funcțiile necesită argumente, care sunt valorile necesare pentru a efectua aceste calcule. Când funcțiile necesită mai mult de un argument, acestea trebuie listate într-o anumită ordine sau funcția poate să nu calculeze valoarea corectă. Acest exemplu folosește funcția SUM și utilizează valorile din Inventory Value ca argument pentru a genera totalul listat sub rândul 3, coloana B (denumită și B3).
+
+## NoSQL
+
+NoSQL este un termen umbrelă pentru diferitele moduri de stocare a datelor non-relaționale și poate fi interpretat ca "non-SQL", "non-relațional" sau "nu doar SQL". Aceste tipuri de sisteme de baze de date pot fi clasificate în 4 tipuri.
+
+![Reprezentare grafică a unui magazin de date key-value care arată 4 chei numerice unice asociate cu 4 valori diferite](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ro.png)
+> Sursa de la [Blogul Michał Białecki](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) baze de date asociază chei unice, care sunt identificatori unici asociați cu o valoare. Aceste perechi sunt stocate folosind o [hash table](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) cu o funcție de hashing adecvată.
+
+![Reprezentare grafică a unui magazin de date graf care arată relațiile dintre oameni, interesele lor și locații](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ro.png)
+> Sursa de la [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Graph](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) baze de date descriu relațiile în date și sunt reprezentate ca o colecție de noduri și muchii. Un nod reprezintă o entitate, ceva care există în lumea reală, cum ar fi un student sau un extras bancar. Muchiile reprezintă relația dintre două entități. Fiecare nod și muchie au proprietăți care oferă informații suplimentare despre fiecare nod și muchie.
+
+![Reprezentare grafică a unui magazin de date columnar care arată o bază de date de clienți cu două familii de coloane numite Identity și Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ro.png)
+
+[Columnar](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) magazine de date organizează datele în coloane și rânduri, similar unei structuri de date relaționale, dar fiecare coloană este împărțită în grupuri numite familie de coloane, unde toate datele sub o coloană sunt legate și pot fi recuperate și modificate într-o singură unitate.
+
+### Magazine de Date Document cu Azure Cosmos DB
+
+[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) magazine de date se bazează pe conceptul unui magazin de date key-value și este format dintr-o serie de câmpuri și obiecte. Această secțiune va explora bazele de date document cu emulatorul Cosmos DB.
+
+O bază de date Cosmos DB se potrivește definiției "Nu doar SQL", unde baza de date document Cosmos DB se bazează pe SQL pentru a interoga datele. [Lecția anterioară](../05-relational-databases/README.md) despre SQL acoperă elementele de bază ale limbajului, și vom putea aplica unele dintre aceleași interogări la o bază de date document aici. Vom folosi emulatorul Cosmos DB, care ne permite să creăm și să explorăm o bază de date document local pe un computer. Citește mai multe despre Emulator [aici](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Un document este o colecție de câmpuri și valori de obiecte, unde câmpurile descriu ce reprezintă valoarea obiectului. Mai jos este un exemplu de document.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Câmpurile de interes în acest document sunt: `firstname`, `id`, și `age`. Restul câmpurilor cu liniuțe de subliniere au fost generate de Cosmos DB.
+
+#### Explorarea Datelor cu Emulatorul Cosmos DB
+
+Poți descărca și instala emulatorul [pentru Windows aici](https://aka.ms/cosmosdb-emulator). Consultă această [documentație](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) pentru opțiuni despre cum să rulezi Emulatorul pe macOS și Linux.
+
+Emulatorul lansează o fereastră de browser, unde vizualizarea Explorer îți permite să explorezi documentele.
+
+![Vizualizarea Explorer a Emulatorului Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ro.png)
+
+Dacă urmezi pașii, fă clic pe "Start with Sample" pentru a genera o bază de date de exemplu numită SampleDB. Dacă extinzi Sample DB făcând clic pe săgeată, vei găsi un container numit `Persons`. Un container conține o colecție de articole, care sunt documentele din container. Poți explora cele patru documente individuale sub `Items`.
+
+![Explorarea datelor de exemplu în Emulatorul Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ro.png)
+
+#### Interogarea Datelor Document cu Emulatorul Cosmos DB
+
+Putem, de asemenea, interoga datele de exemplu făcând clic pe butonul nou SQL Query (al doilea buton din stânga).
+
+`SELECT * FROM c` returnează toate documentele din container. Să adăugăm o clauză where și să găsim toți cei mai tineri de 40 de ani.
+
+`SELECT * FROM c where c.age < 40`
+
+![Executarea unei interogări SELECT pe datele de exemplu în Emulatorul Cosmos DB pentru a găsi documente care au un câmp age cu valoarea mai mică de 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ro.png)
+
+Interogarea returnează două documente, observă valoarea age pentru fiecare document este mai mică de 40.
+
+#### JSON și Documente
+
+Dacă ești familiarizat cu JavaScript Object Notation (JSON), vei observa că documentele arată similar cu JSON. Există un fișier `PersonsData.json` în acest director cu mai multe date pe care le poți încărca în containerul Persons din Emulator prin butonul `Upload Item`.
+
+În majoritatea cazurilor, API-urile care returnează date JSON pot fi transferate direct și stocate în bazele de date document. Mai jos este un alt document, acesta reprezintă tweet-uri de pe contul de Twitter Microsoft care au fost recuperate folosind API-ul Twitter, apoi inserate în Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Câmpurile de interes în acest document sunt: `created_at`, `id`, și `text`.
+
+## 🚀 Provocare
+
+Există un fișier `TwitterData.json` pe care îl poți încărca în baza de date SampleDB. Este recomandat să îl adaugi într-un container separat. Acest lucru poate fi realizat prin:
+
+1. Făcând clic pe butonul nou container din colțul din dreapta sus
+1. Selectând baza de date existentă (SampleDB) și creând un id pentru container
+1. Setând cheia de partiție la `/id`
+1. Făcând clic pe OK (poți ignora restul informațiilor din această vizualizare, deoarece acesta este un set de date mic care rulează local pe computerul tău)
+1. Deschide noul container și încarcă fișierul Twitter Data cu butonul `Upload Item`
+
+Încearcă să rulezi câteva interogări select pentru a găsi documentele care au Microsoft în câmpul text. Indicație: încearcă să folosești [cuvântul cheie LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Chestionar Post-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Recapitulare și Studiu Individual
+
+- Există câteva formate și funcții suplimentare adăugate acestei foi de calcul pe care lecția nu le acoperă. Microsoft are o [bibliotecă mare de documentație și videoclipuri](https://support.microsoft.com/excel) despre Excel dacă ești interesat să afli mai multe.
+
+- Această documentație arhitecturală detaliază caracteristicile diferitelor tipuri de date non-relaționale: [Date Non-Relationale și NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data).
+
+- Cosmos DB este o bază de date non-relațională bazată pe cloud care poate stoca, de asemenea, diferitele tipuri NoSQL menționate în această lecție. Află mai multe despre aceste tipuri în acest [Modul Microsoft Learn despre Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Temă
+
+[Soda Profits](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/06-non-relational/assignment.md b/translations/ro/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..e5443545
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:58:05+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Profituri Soda
+
+## Instrucțiuni
+
+Fișierul [Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) nu conține unele calcule. Sarcina ta este să: 
+
+1. Calculezi profitul brut pentru anii fiscali '15, '16, '17 și '18
+    - Profit Brut = Venituri operaționale nete - Costul bunurilor vândute
+1. Calculezi media tuturor profiturilor brute. Încearcă să faci acest lucru folosind o funcție.
+    - Media = Suma profiturilor brute împărțită la numărul de ani fiscali (10)
+    - Documentație despre [funcția AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Acesta este un fișier Excel, dar ar trebui să fie editabil pe orice platformă de calcul tabelar
+
+[Credit sursă de date către Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Criterii de evaluare
+
+Exemplar | Adequat | Necesită îmbunătățiri
+--- | --- | --- |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/07-python/README.md b/translations/ro/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..6a5031bd
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,292 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:48:22+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "ro"
+}
+-->
+# Lucrul cu Date: Python și Biblioteca Pandas
+
+| ![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Lucrul cu Python - _Sketchnote de [@nitya](https://twitter.com/nitya)_                   |
+
+[![Video Introductiv](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ro.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Deși bazele de date oferă modalități foarte eficiente de a stoca date și de a le interoga folosind limbaje de interogare, cea mai flexibilă metodă de procesare a datelor este scrierea propriului program pentru a manipula datele. În multe cazuri, o interogare în baza de date ar fi o metodă mai eficientă. Totuși, în unele situații, când este necesară o procesare mai complexă a datelor, aceasta nu poate fi realizată ușor folosind SQL. 
+Procesarea datelor poate fi programată în orice limbaj de programare, dar există anumite limbaje care sunt mai potrivite pentru lucrul cu date. De obicei, oamenii de știință în domeniul datelor preferă unul dintre următoarele limbaje:
+
+* **[Python](https://www.python.org/)**, un limbaj de programare general, considerat adesea una dintre cele mai bune opțiuni pentru începători datorită simplității sale. Python are multe biblioteci suplimentare care te pot ajuta să rezolvi diverse probleme practice, cum ar fi extragerea datelor dintr-un arhiv ZIP sau convertirea unei imagini în tonuri de gri. Pe lângă știința datelor, Python este utilizat frecvent și pentru dezvoltarea web. 
+* **[R](https://www.r-project.org/)** este un instrument tradițional dezvoltat pentru procesarea datelor statistice. Acesta conține un depozit vast de biblioteci (CRAN), ceea ce îl face o alegere bună pentru procesarea datelor. Totuși, R nu este un limbaj de programare general și este rar utilizat în afara domeniului științei datelor.
+* **[Julia](https://julialang.org/)** este un alt limbaj dezvoltat special pentru știința datelor. Acesta este conceput pentru a oferi performanțe mai bune decât Python, fiind un instrument excelent pentru experimente științifice.
+
+În această lecție, ne vom concentra pe utilizarea Python pentru procesarea simplă a datelor. Vom presupune că ai o familiaritate de bază cu limbajul. Dacă dorești o introducere mai aprofundată în Python, poți consulta unul dintre următoarele resurse:
+
+* [Învață Python într-un mod distractiv cu Turtle Graphics și Fractali](https://github.com/shwars/pycourse) - Curs introductiv rapid pe GitHub despre programarea în Python
+* [Fă primii pași cu Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Parcurs de învățare pe [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Datele pot avea multe forme. În această lecție, vom analiza trei forme de date - **date tabelare**, **text** și **imagini**.
+
+Ne vom concentra pe câteva exemple de procesare a datelor, în loc să oferim o prezentare completă a tuturor bibliotecilor asociate. Acest lucru îți va permite să înțelegi principalele posibilități și să știi unde să găsești soluții pentru problemele tale atunci când ai nevoie.
+
+> **Cel mai util sfat**. Când trebuie să efectuezi o anumită operațiune pe date și nu știi cum să o faci, încearcă să cauți pe internet. [Stackoverflow](https://stackoverflow.com/) conține de obicei multe exemple utile de cod în Python pentru diverse sarcini tipice.
+
+
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Date Tabelare și Dataframes
+
+Ai întâlnit deja date tabelare când am vorbit despre bazele de date relaționale. Când ai multe date, iar acestea sunt conținute în mai multe tabele interconectate, are sens să folosești SQL pentru a lucra cu ele. Totuși, există multe situații în care avem un tabel de date și trebuie să obținem o **înțelegere** sau **perspectivă** asupra acestor date, cum ar fi distribuția, corelația între valori etc. În știința datelor, există multe cazuri în care trebuie să efectuăm transformări ale datelor originale, urmate de vizualizare. Ambele etape pot fi realizate ușor folosind Python.
+
+Există două biblioteci foarte utile în Python care te pot ajuta să lucrezi cu date tabelare:
+* **[Pandas](https://pandas.pydata.org/)** îți permite să manipulezi așa-numitele **Dataframes**, care sunt analoge tabelelor relaționale. Poți avea coloane denumite și poți efectua diferite operațiuni pe rânduri, coloane și dataframes în general. 
+* **[Numpy](https://numpy.org/)** este o bibliotecă pentru lucrul cu **tensori**, adică **matrici** multidimensionale. Matricele au valori de același tip de bază și sunt mai simple decât dataframes, dar oferă mai multe operațiuni matematice și creează mai puțin overhead.
+
+Există și câteva alte biblioteci pe care ar trebui să le cunoști:
+* **[Matplotlib](https://matplotlib.org/)** este o bibliotecă utilizată pentru vizualizarea datelor și crearea de grafice
+* **[SciPy](https://www.scipy.org/)** este o bibliotecă cu funcții științifice suplimentare. Am întâlnit deja această bibliotecă când am vorbit despre probabilitate și statistici
+
+Iată un fragment de cod pe care l-ai folosi de obicei pentru a importa aceste biblioteci la începutul programului Python:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas se concentrează pe câteva concepte de bază.
+
+### Series 
+
+**Series** este o secvență de valori, similară unei liste sau unui array numpy. Principala diferență este că series are și un **index**, iar când operăm pe series (de exemplu, le adunăm), indexul este luat în considerare. Indexul poate fi la fel de simplu ca numărul de rând (este indexul utilizat implicit când creăm un series dintr-o listă sau un array) sau poate avea o structură complexă, cum ar fi un interval de date.
+
+> **Notă**: Există cod introductiv Pandas în notebook-ul asociat [`notebook.ipynb`](notebook.ipynb). Vom prezenta doar câteva exemple aici, dar ești binevenit să verifici notebook-ul complet.
+
+Să luăm un exemplu: vrem să analizăm vânzările de la magazinul nostru de înghețată. Să generăm un series de numere de vânzări (numărul de produse vândute în fiecare zi) pentru o anumită perioadă de timp:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```
+![Grafic Serii Temporale](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ro.png)
+
+Acum să presupunem că în fiecare săptămână organizăm o petrecere pentru prieteni și luăm 10 pachete suplimentare de înghețată pentru petrecere. Putem crea un alt series, indexat pe săptămână, pentru a demonstra acest lucru:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+Când adunăm cele două series, obținem numărul total:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Grafic Serii Temporale](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ro.png)
+
+> **Notă** că nu folosim sintaxa simplă `total_items+additional_items`. Dacă am fi făcut asta, am fi obținut multe valori `NaN` (*Not a Number*) în series-ul rezultat. Acest lucru se întâmplă deoarece există valori lipsă pentru unele puncte de index în series-ul `additional_items`, iar adunarea unui `NaN` cu orice altceva rezultă în `NaN`. Astfel, trebuie să specificăm parametrul `fill_value` în timpul adunării.
+
+Cu seriile temporale, putem și **resampla** seria cu intervale de timp diferite. De exemplu, să presupunem că vrem să calculăm volumul mediu de vânzări lunar. Putem folosi următorul cod:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Medii Lunare Serii Temporale](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ro.png)
+
+### DataFrame
+
+Un DataFrame este, în esență, o colecție de series cu același index. Putem combina mai multe series într-un DataFrame:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+Acest lucru va crea un tabel orizontal ca acesta:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Putem folosi și Series ca coloane și să specificăm numele coloanelor folosind un dicționar:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+Acest lucru ne va oferi un tabel ca acesta:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Notă** că putem obține acest layout al tabelului și prin transpunerea tabelului anterior, de exemplu, scriind 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+Aici `.T` înseamnă operația de transpunere a DataFrame-ului, adică schimbarea rândurilor și coloanelor, iar operația `rename` ne permite să redenumim coloanele pentru a se potrivi cu exemplul anterior.
+
+Iată câteva dintre cele mai importante operațiuni pe care le putem efectua pe DataFrames:
+
+**Selecția coloanelor**. Putem selecta coloane individuale scriind `df['A']` - această operațiune returnează un Series. Putem selecta și un subset de coloane într-un alt DataFrame scriind `df[['B','A']]` - aceasta returnează un alt DataFrame.
+
+**Filtrarea** doar a anumitor rânduri după criterii. De exemplu, pentru a păstra doar rândurile cu coloana `A` mai mare decât 5, putem scrie `df[df['A']>5]`.
+
+> **Notă**: Modul în care funcționează filtrarea este următorul. Expresia `df['A']<5` returnează un series boolean, care indică dacă expresia este `True` sau `False` pentru fiecare element al series-ului original `df['A']`. Când series-ul boolean este utilizat ca index, returnează subsetul de rânduri din DataFrame. Astfel, nu este posibil să folosești expresii boolean arbitrare din Python, de exemplu, scriind `df[df['A']>5 and df['A']<7]` ar fi greșit. În schimb, ar trebui să folosești operația specială `&` pe series boolean, scriind `df[(df['A']>5) & (df['A']<7)]` (*parantezele sunt importante aici*).
+
+**Crearea de coloane calculabile noi**. Putem crea ușor coloane calculabile noi pentru DataFrame-ul nostru folosind expresii intuitive ca aceasta:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+Acest exemplu calculează abaterea lui A față de valoarea sa medie. Ce se întâmplă de fapt aici este că calculăm un series și apoi atribuim acest series părții din stânga, creând o altă coloană. Astfel, nu putem folosi operațiuni care nu sunt compatibile cu series, de exemplu, codul de mai jos este greșit:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+Ultimul exemplu, deși este sintactic corect, ne oferă un rezultat greșit, deoarece atribuie lungimea series-ului `B` tuturor valorilor din coloană, și nu lungimea elementelor individuale, așa cum intenționam.
+
+Dacă trebuie să calculăm expresii complexe ca aceasta, putem folosi funcția `apply`. Ultimul exemplu poate fi scris astfel:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+După operațiunile de mai sus, vom avea următorul DataFrame:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Selecția rândurilor pe baza numerelor** poate fi realizată folosind construcția `iloc`. De exemplu, pentru a selecta primele 5 rânduri din DataFrame:
+```python
+df.iloc[:5]
+```
+
+**Gruparea** este adesea utilizată pentru a obține un rezultat similar cu *tabelele pivot* din Excel. Să presupunem că vrem să calculăm valoarea medie a coloanei `A` pentru fiecare număr dat de `LenB`. Atunci putem grupa DataFrame-ul nostru după `LenB` și să apelăm `mean`:
+```python
+df.groupby(by='LenB').mean()
+```
+Dacă trebuie să calculăm media și numărul de elemente din grup, atunci putem folosi funcția mai complexă `aggregate`:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+Aceasta ne oferă următorul tabel:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Obținerea Datelor
+Am văzut cât de ușor este să construim Series și DataFrames din obiecte Python. Totuși, datele vin de obicei sub formă de fișier text sau tabel Excel. Din fericire, Pandas ne oferă o modalitate simplă de a încărca datele de pe disc. De exemplu, citirea unui fișier CSV este la fel de simplă ca aceasta:
+```python
+df = pd.read_csv('file.csv')
+```
+Vom vedea mai multe exemple de încărcare a datelor, inclusiv obținerea lor de pe site-uri web externe, în secțiunea "Provocare".
+
+### Printarea și Vizualizarea
+
+Un Data Scientist trebuie adesea să exploreze datele, așa că este important să le poată vizualiza. Când DataFrame-ul este mare, de multe ori vrem doar să ne asigurăm că facem totul corect prin printarea primelor câteva rânduri. Acest lucru se poate face apelând `df.head()`. Dacă îl rulați din Jupyter Notebook, acesta va afișa DataFrame-ul într-o formă tabelară plăcută.
+
+Am văzut, de asemenea, utilizarea funcției `plot` pentru a vizualiza unele coloane. Deși `plot` este foarte util pentru multe sarcini și suportă multe tipuri diferite de grafice prin parametrul `kind=`, puteți întotdeauna folosi biblioteca `matplotlib` pentru a crea ceva mai complex. Vom acoperi vizualizarea datelor în detaliu în lecții separate ale cursului.
+
+Această prezentare generală acoperă cele mai importante concepte ale Pandas, totuși, biblioteca este foarte bogată și nu există limite pentru ceea ce puteți face cu ea! Să aplicăm acum aceste cunoștințe pentru rezolvarea unei probleme specifice.
+
+## 🚀 Provocarea 1: Analiza Răspândirii COVID
+
+Prima problemă pe care ne vom concentra este modelarea răspândirii epidemiei de COVID-19. Pentru a face acest lucru, vom folosi datele despre numărul de persoane infectate în diferite țări, furnizate de [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) de la [Johns Hopkins University](https://jhu.edu/). Setul de date este disponibil în [acest depozit GitHub](https://github.com/CSSEGISandData/COVID-19).
+
+Deoarece dorim să demonstrăm cum să lucrăm cu datele, vă invităm să deschideți [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) și să îl citiți de la început până la sfârșit. Puteți, de asemenea, să executați celulele și să faceți unele provocări pe care le-am lăsat pentru voi la final.
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ro.png)
+
+> Dacă nu știți cum să rulați codul în Jupyter Notebook, consultați [acest articol](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## Lucrul cu Date Nestructurate
+
+Deși datele vin foarte des sub formă tabelară, în unele cazuri trebuie să lucrăm cu date mai puțin structurate, de exemplu, text sau imagini. În acest caz, pentru a aplica tehnicile de procesare a datelor pe care le-am văzut mai sus, trebuie să **extragem** cumva date structurate. Iată câteva exemple:
+
+* Extracția cuvintelor cheie din text și analiza frecvenței apariției acestora
+* Utilizarea rețelelor neuronale pentru a extrage informații despre obiectele dintr-o imagine
+* Obținerea informațiilor despre emoțiile oamenilor din fluxul video al unei camere
+
+## 🚀 Provocarea 2: Analiza Lucrărilor despre COVID
+
+În această provocare, vom continua cu tema pandemiei COVID și ne vom concentra pe procesarea lucrărilor științifice pe acest subiect. Există [Setul de Date CORD-19](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) cu peste 7000 (la momentul scrierii) lucrări despre COVID, disponibile cu metadate și rezumate (și pentru aproximativ jumătate dintre ele este disponibil și textul complet).
+
+Un exemplu complet de analiză a acestui set de date folosind serviciul cognitiv [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) este descris [în acest articol de blog](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Vom discuta o versiune simplificată a acestei analize.
+
+> **NOTE**: Nu oferim o copie a setului de date ca parte a acestui depozit. Este posibil să fie nevoie să descărcați mai întâi fișierul [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) din [acest set de date pe Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Este posibil să fie necesară înregistrarea pe Kaggle. De asemenea, puteți descărca setul de date fără înregistrare [de aici](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), dar acesta va include toate textele complete în plus față de fișierul de metadate.
+
+Deschideți [`notebook-papers.ipynb`](notebook-papers.ipynb) și citiți-l de la început până la sfârșit. Puteți, de asemenea, să executați celulele și să faceți unele provocări pe care le-am lăsat pentru voi la final.
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ro.png)
+
+## Procesarea Datelor din Imagini
+
+Recent, au fost dezvoltate modele AI foarte puternice care ne permit să înțelegem imaginile. Există multe sarcini care pot fi rezolvate folosind rețele neuronale pre-antrenate sau servicii cloud. Câteva exemple includ:
+
+* **Clasificarea Imaginilor**, care vă poate ajuta să categorizați imaginea într-una dintre clasele predefinite. Puteți antrena cu ușurință propriile clasificatoare de imagini folosind servicii precum [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum)
+* **Detectarea Obiectelor** pentru a identifica diferite obiecte din imagine. Servicii precum [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) pot detecta un număr de obiecte comune, iar modelul [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) poate fi antrenat pentru a detecta obiecte specifice de interes.
+* **Detectarea Fețelor**, inclusiv vârsta, genul și emoțiile. Acest lucru poate fi realizat prin [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).
+
+Toate aceste servicii cloud pot fi apelate folosind [SDK-uri Python](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) și, astfel, pot fi ușor integrate în fluxul de explorare a datelor.
+
+Iată câteva exemple de explorare a datelor din surse de imagini:
+* În articolul de blog [Cum să înveți Data Science fără programare](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) explorăm fotografii de pe Instagram, încercând să înțelegem ce determină oamenii să aprecieze mai mult o fotografie. Mai întâi extragem cât mai multe informații din imagini folosind [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), apoi folosim [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) pentru a construi un model interpretabil.
+* În [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) folosim [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) pentru a extrage emoțiile oamenilor din fotografii de la evenimente, pentru a încerca să înțelegem ce îi face fericiți.
+
+## Concluzie
+
+Indiferent dacă aveți deja date structurate sau nestructurate, folosind Python puteți efectua toate etapele legate de procesarea și înțelegerea datelor. Este probabil cea mai flexibilă modalitate de procesare a datelor, și acesta este motivul pentru care majoritatea data scientist-ilor folosesc Python ca instrument principal. Învățarea Python în profunzime este probabil o idee bună dacă sunteți serios în privința călătoriei voastre în data science!
+
+## [Test de verificare după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## Recapitulare & Studiu Individual
+
+**Cărți**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**Resurse Online**
+* Tutorialul oficial [10 minute pentru Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html)
+* [Documentația despre Vizualizarea Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Învățarea Python**
+* [Învață Python într-un mod distractiv cu Turtle Graphics și Fractals](https://github.com/shwars/pycourse)
+* [Fă primii pași cu Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Parcurs de învățare pe [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+## Temă
+
+[Realizați un studiu mai detaliat al datelor pentru provocările de mai sus](assignment.md)
+
+## Credite
+
+Această lecție a fost scrisă cu ♥️ de [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/07-python/assignment.md b/translations/ro/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..1b860b44
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:51:58+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Temă pentru Procesarea Datelor în Python
+
+În această temă, vă vom cere să dezvoltați codul pe care l-am început în provocările noastre. Tema constă din două părți:
+
+## Modelarea Răspândirii COVID-19
+
+ - [ ] Desenați grafice *R* pentru 5-6 țări diferite pe un singur grafic pentru comparație sau folosind mai multe grafice alăturate.
+ - [ ] Analizați cum numărul de decese și recuperări se corelează cu numărul de cazuri infectate.
+ - [ ] Determinați cât durează, în medie, o boală, corelând vizual rata de infectare cu rata de decese și căutând anomalii. Este posibil să fie nevoie să analizați mai multe țări pentru a descoperi acest lucru.
+ - [ ] Calculați rata de fatalitate și cum se schimbă aceasta în timp. *Este posibil să doriți să luați în considerare durata bolii în zile pentru a deplasa o serie temporală înainte de a face calculele.*
+
+## Analiza Articolelor despre COVID-19
+
+- [ ] Construiți o matrice de co-apariție pentru diferite medicamente și analizați care medicamente apar frecvent împreună (adică menționate într-un singur rezumat). Puteți modifica codul pentru construirea matricei de co-apariție pentru medicamente și diagnostice.
+- [ ] Vizualizați această matrice folosind o hartă termică.
+- [ ] Ca obiectiv suplimentar, vizualizați co-apariția medicamentelor folosind [diagrama chord](https://en.wikipedia.org/wiki/Chord_diagram). [Această bibliotecă](https://pypi.org/project/chord/) vă poate ajuta să desenați o diagramă chord.
+- [ ] Ca un alt obiectiv suplimentar, extrageți dozele diferitelor medicamente (cum ar fi **400mg** în *luați 400mg de clorochină zilnic*) folosind expresii regulate și construiți un dataframe care arată diferite doze pentru diferite medicamente. **Notă**: luați în considerare valorile numerice care sunt în apropierea textuală a numelui medicamentului.
+
+## Rubrică
+
+Exemplar | Adecvat | Necesită Îmbunătățiri
+--- | --- | -- |
+Toate sarcinile sunt complete, ilustrate grafic și explicate, incluzând cel puțin unul dintre cele două obiective suplimentare | Mai mult de 5 sarcini sunt complete, niciun obiectiv suplimentar nu este încercat sau rezultatele nu sunt clare | Mai puțin de 5 (dar mai mult de 3) sarcini sunt complete, vizualizările nu ajută la demonstrarea punctului
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți de faptul că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/08-data-preparation/README.md b/translations/ro/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..7deb1bfb
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:39:08+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "ro"
+}
+-->
+# Lucrul cu Date: Pregătirea Datelor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Pregătirea Datelor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## [Chestionar Pre-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+În funcție de sursa sa, datele brute pot conține unele inconsistențe care vor crea provocări în analiză și modelare. Cu alte cuvinte, aceste date pot fi catalogate drept „murdare” și vor trebui curățate. Această lecție se concentrează pe tehnici de curățare și transformare a datelor pentru a gestiona provocările legate de datele lipsă, inexacte sau incomplete. Subiectele abordate în această lecție vor utiliza Python și biblioteca Pandas și vor fi [demonstrate în notebook](notebook.ipynb) din acest director.
+
+## Importanța curățării datelor
+
+- **Ușurința utilizării și reutilizării**: Când datele sunt organizate și normalizate corespunzător, este mai ușor să le cauți, să le folosești și să le împărtășești cu alții.
+
+- **Consistență**: Știința datelor necesită adesea lucrul cu mai multe seturi de date, unde seturile de date din surse diferite trebuie să fie combinate. Asigurarea că fiecare set de date individual are o standardizare comună va garanta că datele rămân utile atunci când sunt combinate într-un singur set de date.
+
+- **Acuratețea modelului**: Datele curățate îmbunătățesc acuratețea modelelor care se bazează pe ele.
+
+## Obiective și strategii comune de curățare
+
+- **Explorarea unui set de date**: Explorarea datelor, care este acoperită într-o [lecție ulterioară](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), te poate ajuta să descoperi date care trebuie curățate. Observarea vizuală a valorilor dintr-un set de date poate seta așteptări despre cum arată restul sau poate oferi o idee despre problemele care pot fi rezolvate. Explorarea poate implica interogări de bază, vizualizări și eșantionare.
+
+- **Formatare**: În funcție de sursă, datele pot avea inconsistențe în modul în care sunt prezentate. Acest lucru poate cauza probleme în căutarea și reprezentarea valorilor, unde acestea sunt vizibile în setul de date, dar nu sunt reprezentate corect în vizualizări sau rezultate ale interogărilor. Problemele comune de formatare implică rezolvarea spațiilor albe, datelor și tipurilor de date. Rezolvarea problemelor de formatare depinde de utilizatorii datelor. De exemplu, standardele privind modul în care sunt prezentate datele și numerele pot diferi de la o țară la alta.
+
+- **Dubluri**: Datele care apar de mai multe ori pot produce rezultate inexacte și, de obicei, ar trebui eliminate. Acest lucru poate fi o situație comună atunci când se combină două sau mai multe seturi de date. Totuși, există cazuri în care dublurile din seturile de date combinate conțin informații suplimentare care ar putea fi necesare să fie păstrate.
+
+- **Date lipsă**: Datele lipsă pot cauza inexactități, precum și rezultate slabe sau părtinitoare. Uneori, acestea pot fi rezolvate printr-o „reîncărcare” a datelor, completarea valorilor lipsă prin calcul și cod, cum ar fi Python, sau pur și simplu eliminarea valorii și a datelor corespunzătoare. Există numeroase motive pentru care datele pot lipsi, iar acțiunile luate pentru a rezolva aceste valori lipsă pot depinde de modul și motivul pentru care au dispărut.
+
+## Explorarea informațiilor din DataFrame
+> **Obiectiv de învățare:** La sfârșitul acestei subsecțiuni, ar trebui să fii confortabil în găsirea informațiilor generale despre datele stocate în DataFrames din pandas.
+
+Odată ce ai încărcat datele în pandas, cel mai probabil vor fi într-un DataFrame (vezi [lecția anterioară](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) pentru o prezentare detaliată). Totuși, dacă setul de date din DataFrame-ul tău are 60.000 de rânduri și 400 de coloane, cum începi să înțelegi ce ai de lucru? Din fericire, [pandas](https://pandas.pydata.org/) oferă câteva instrumente convenabile pentru a privi rapid informațiile generale despre un DataFrame, pe lângă primele și ultimele câteva rânduri.
+
+Pentru a explora această funcționalitate, vom importa biblioteca Python scikit-learn și vom folosi un set de date iconic: **setul de date Iris**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |lungime sepale (cm)|lățime sepale (cm)|lungime petale (cm)|lățime petale (cm)|
+|----------------------------------------|-------------------|------------------|-------------------|------------------|
+|0                                       |5.1                |3.5               |1.4                |0.2               |
+|1                                       |4.9                |3.0               |1.4                |0.2               |
+|2                                       |4.7                |3.2               |1.3                |0.2               |
+|3                                       |4.6                |3.1               |1.5                |0.2               |
+|4                                       |5.0                |3.6               |1.4                |0.2               |
+
+- **DataFrame.info**: Pentru început, metoda `info()` este utilizată pentru a afișa un rezumat al conținutului prezent într-un `DataFrame`. Să aruncăm o privire asupra acestui set de date pentru a vedea ce avem:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+Din aceasta, știm că setul de date *Iris* are 150 de intrări în patru coloane, fără intrări nule. Toate datele sunt stocate ca numere în virgulă mobilă pe 64 de biți.
+
+- **DataFrame.head()**: Apoi, pentru a verifica conținutul real al `DataFrame`, folosim metoda `head()`. Să vedem cum arată primele câteva rânduri ale `iris_df`:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: În mod invers, pentru a verifica ultimele câteva rânduri ale `DataFrame`, folosim metoda `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Concluzie:** Chiar și doar uitându-te la metadatele despre informațiile dintr-un DataFrame sau la primele și ultimele câteva valori din acesta, poți obține o idee imediată despre dimensiunea, forma și conținutul datelor cu care lucrezi.
+
+## Gestionarea Datelor Lipsă
+> **Obiectiv de învățare:** La sfârșitul acestei subsecțiuni, ar trebui să știi cum să înlocuiești sau să elimini valorile nule din DataFrames.
+
+De cele mai multe ori, seturile de date pe care vrei să le folosești (sau trebuie să le folosești) au valori lipsă. Modul în care datele lipsă sunt gestionate implică compromisuri subtile care pot afecta analiza finală și rezultatele din lumea reală.
+
+Pandas gestionează valorile lipsă în două moduri. Primul, pe care l-ai văzut înainte în secțiunile anterioare, este `NaN`, sau Not a Number. Acesta este de fapt o valoare specială care face parte din specificația IEEE pentru numere în virgulă mobilă și este utilizată doar pentru a indica valori lipsă de tip virgulă mobilă.
+
+Pentru valorile lipsă, altele decât cele de tip virgulă mobilă, pandas folosește obiectul Python `None`. Deși poate părea confuz să întâlnești două tipuri diferite de valori care spun practic același lucru, există motive programatice solide pentru această alegere de design și, în practică, această abordare permite pandas să ofere un compromis bun pentru marea majoritate a cazurilor. Cu toate acestea, atât `None`, cât și `NaN` au restricții de care trebuie să fii conștient în ceea ce privește modul în care pot fi utilizate.
+
+Află mai multe despre `NaN` și `None` din [notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Detectarea valorilor nule**: În `pandas`, metodele `isnull()` și `notnull()` sunt principalele metode pentru detectarea datelor nule. Ambele returnează măști booleene peste datele tale. Vom folosi `numpy` pentru valorile `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Privește cu atenție rezultatul. Te surprinde ceva? Deși `0` este un null aritmetic, este totuși un întreg perfect valid, iar pandas îl tratează ca atare. `''` este puțin mai subtil. Deși l-am folosit în Secțiunea 1 pentru a reprezenta o valoare de șir gol, este totuși un obiect de tip șir și nu o reprezentare a null-ului din perspectiva pandas.
+
+Acum, să întoarcem situația și să folosim aceste metode într-un mod mai apropiat de cel în care le vei folosi în practică. Poți folosi măști booleene direct ca index pentru un ``Series`` sau ``DataFrame``, ceea ce poate fi util atunci când încerci să lucrezi cu valori izolate lipsă (sau prezente).
+
+> **Concluzie**: Atât metodele `isnull()` cât și `notnull()` produc rezultate similare atunci când le folosești în `DataFrame`s: ele arată rezultatele și indexul acestor rezultate, ceea ce te va ajuta enorm în gestionarea datelor tale.
+
+- **Eliminarea valorilor nule**: Dincolo de identificarea valorilor lipsă, pandas oferă un mijloc convenabil de a elimina valorile nule din `Series` și `DataFrame`s. (În special pentru seturi de date mari, este adesea mai recomandabil să elimini pur și simplu valorile lipsă [NA] din analiza ta decât să le gestionezi în alte moduri.) Pentru a vedea acest lucru în acțiune, să revenim la `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Observă că acest lucru ar trebui să arate ca rezultatul tău din `example3[example3.notnull()]`. Diferența aici este că, în loc să indexeze doar valorile mascate, `dropna` a eliminat acele valori lipsă din `Series` `example1`.
+
+Deoarece `DataFrame`s au două dimensiuni, ele oferă mai multe opțiuni pentru eliminarea datelor.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Ai observat că pandas a convertit două dintre coloane în tipuri de date float pentru a acomoda valorile `NaN`?)
+
+Nu poți elimina o singură valoare dintr-un `DataFrame`, așa că trebuie să elimini rânduri sau coloane întregi. În funcție de ceea ce faci, s-ar putea să vrei să faci una sau alta, iar pandas îți oferă opțiuni pentru ambele. Deoarece în știința datelor, coloanele reprezintă de obicei variabile, iar rândurile reprezintă observații, este mai probabil să elimini rânduri de date; setarea implicită pentru `dropna()` este să elimine toate rândurile care conțin orice valori nule:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Dacă este necesar, poți elimina valorile NA din coloane. Folosește `axis=1` pentru a face acest lucru:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Observă că acest lucru poate elimina o mulțime de date pe care s-ar putea să vrei să le păstrezi, în special în seturi de date mai mici. Ce se întâmplă dacă vrei doar să elimini rânduri sau coloane care conțin mai multe sau chiar toate valorile nule? Specifici aceste setări în `dropna` cu parametrii `how` și `thresh`.
+
+Implicit, `how='any'` (dacă vrei să verifici singur sau să vezi ce alți parametri are metoda, rulează `example4.dropna?` într-o celulă de cod). Ai putea specifica alternativ `how='all'` pentru a elimina doar rândurile sau coloanele care conțin toate valorile nule. Să extindem exemplul nostru `DataFrame` pentru a vedea acest lucru în acțiune.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+Parametrul `thresh` îți oferă un control mai fin: setezi numărul de valori *non-nule* pe care un rând sau o coloană trebuie să le aibă pentru a fi păstrate:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Aici, primul și ultimul rând au fost eliminate, deoarece conțin doar două valori non-nule.
+
+- **Completarea valorilor nule**: În funcție de setul tău de date, uneori poate avea mai mult sens să completezi valorile nule cu unele valide decât să le elimini. Ai putea folosi `isnull` pentru a face acest lucru în loc, dar acest lucru poate fi laborios, în special dacă ai multe valori de completat. Deoarece aceasta este o sarcină atât de comună în știința datelor, pandas oferă `fillna`, care returnează o copie a `Series` sau `DataFrame` cu valorile lipsă înlocuite cu una aleasă de tine. Să creăm un alt exemplu `Series` pentru a vedea cum funcționează acest lucru în practică.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Poți completa toate intrările nule cu o singură valoare, cum ar fi `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Poți **completa înainte** valorile nule, adică să folosești ultima valoare validă pentru a completa un null:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+De asemenea, poți **completa înapoi** pentru a propaga următoarea valoare validă înapoi pentru a completa un null:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Așa cum probabil ai ghicit, acest lucru funcționează la fel cu `DataFrame`s, dar poți specifica un `axis` de-a lungul căruia să completezi valorile nule. Luând din nou `example2` utilizat anterior:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Observă că atunci când o valoare anterioară nu este disponibilă pentru completarea înainte, valoarea nulă rămâne.
+> **Concluzie:** Există mai multe modalități de a gestiona valorile lipsă din seturile de date. Strategia specifică pe care o folosești (eliminarea lor, înlocuirea lor sau chiar modul în care le înlocuiești) ar trebui să fie dictată de particularitățile acelui set de date. Vei dezvolta o înțelegere mai bună a modului de a gestiona valorile lipsă pe măsură ce lucrezi și interacționezi mai mult cu seturile de date.
+
+## Eliminarea datelor duplicate
+
+> **Obiectiv de învățare:** La finalul acestei subsecțiuni, ar trebui să te simți confortabil să identifici și să elimini valorile duplicate din DataFrames.
+
+Pe lângă datele lipsă, vei întâlni adesea date duplicate în seturile de date din lumea reală. Din fericire, `pandas` oferă o metodă simplă de detectare și eliminare a intrărilor duplicate.
+
+- **Identificarea duplicatelor: `duplicated`**: Poți identifica cu ușurință valorile duplicate folosind metoda `duplicated` din pandas, care returnează o mască Boolean ce indică dacă o intrare într-un `DataFrame` este un duplicat al uneia anterioare. Să creăm un alt exemplu de `DataFrame` pentru a vedea acest lucru în acțiune.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |litere |numere |
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Eliminarea duplicatelor: `drop_duplicates`:** returnează pur și simplu o copie a datelor pentru care toate valorile `duplicated` sunt `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Atât `duplicated`, cât și `drop_duplicates` iau în considerare implicit toate coloanele, dar poți specifica să examineze doar un subset de coloane din `DataFrame`:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Concluzie:** Eliminarea datelor duplicate este o parte esențială a aproape fiecărui proiect de știința datelor. Datele duplicate pot modifica rezultatele analizelor tale și pot oferi rezultate inexacte!
+
+
+## 🚀 Provocare
+
+Toate materialele discutate sunt disponibile ca [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). În plus, există exerciții prezente după fiecare secțiune, încearcă-le!
+
+## [Quiz de după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Recapitulare și Studiu Individual
+
+Există multe modalități de a descoperi și aborda pregătirea datelor pentru analiză și modelare, iar curățarea datelor este un pas important care necesită o experiență practică. Încearcă aceste provocări de pe Kaggle pentru a explora tehnici pe care această lecție nu le-a acoperit.
+
+- [Provocare de Curățare a Datelor: Parsarea Datelor](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Provocare de Curățare a Datelor: Scalare și Normalizare a Datelor](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Temă
+
+[Evaluarea Datelor dintr-un Formular](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/08-data-preparation/assignment.md b/translations/ro/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..639ce37c
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:41:56+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Evaluarea Datelor dintr-un Formular
+
+Un client a testat un [formular simplu](../../../../2-Working-With-Data/08-data-preparation/index.html) pentru a colecta câteva informații de bază despre baza lor de clienți. Ei ți-au adus rezultatele pentru a valida datele pe care le-au colectat. Poți deschide pagina `index.html` în browser pentru a arunca o privire asupra formularului.
+
+Ți s-a oferit un [set de date cu înregistrări csv](../../../../data/form.csv) care conține intrări din formular, precum și câteva vizualizări de bază. Clientul a menționat că unele dintre vizualizări par incorecte, dar nu sunt siguri cum să le rezolve. Poți explora acest lucru în [notebook-ul de sarcini](assignment.ipynb).
+
+## Instrucțiuni
+
+Folosește tehnicile din această lecție pentru a face recomandări despre cum formularul poate colecta informații corecte și consistente.
+
+## Criterii de Evaluare
+
+Exemplar | Adequat | Necesită Îmbunătățiri
+--- | --- | ---
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/2-Working-With-Data/README.md b/translations/ro/2-Working-With-Data/README.md
new file mode 100644
index 00000000..5fc4ebd2
--- /dev/null
+++ b/translations/ro/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:27:54+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "ro"
+}
+-->
+# Lucrul cu Date
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ro.jpg)  
+> Fotografie de <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> pe <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+În aceste lecții, vei învăța câteva dintre modurile în care datele pot fi gestionate, manipulate și utilizate în aplicații. Vei învăța despre bazele de date relaționale și non-relaționale și despre cum pot fi stocate datele în acestea. De asemenea, vei învăța elementele de bază ale lucrului cu Python pentru a gestiona datele și vei descoperi câteva dintre numeroasele moduri în care poți folosi Python pentru a gestiona și analiza datele.
+
+### Subiecte
+
+1. [Baze de date relaționale](05-relational-databases/README.md)  
+2. [Baze de date non-relaționale](06-non-relational/README.md)  
+3. [Lucrul cu Python](07-python/README.md)  
+4. [Pregătirea datelor](08-data-preparation/README.md)  
+
+### Credite
+
+Aceste lecții au fost scrise cu ❤️ de [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) și [Jasmine Greenaway](https://twitter.com/paladique)  
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/09-visualization-quantities/README.md b/translations/ro/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..031300ce
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:24:47+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Cantităților
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizarea Cantităților - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În această lecție vei explora cum să folosești una dintre numeroasele biblioteci disponibile în Python pentru a învăța cum să creezi vizualizări interesante în jurul conceptului de cantitate. Folosind un set de date curățat despre păsările din Minnesota, poți descoperi multe informații interesante despre fauna locală.  
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Observă anvergura aripilor cu Matplotlib
+
+O bibliotecă excelentă pentru a crea atât grafice simple, cât și sofisticate de diverse tipuri este [Matplotlib](https://matplotlib.org/stable/index.html). În termeni generali, procesul de realizare a graficelor folosind aceste biblioteci include identificarea părților din cadrul de date pe care vrei să le analizezi, efectuarea transformărilor necesare asupra datelor, atribuirea valorilor pentru axele x și y, alegerea tipului de grafic și apoi afișarea acestuia. Matplotlib oferă o varietate mare de vizualizări, dar pentru această lecție, să ne concentrăm pe cele mai potrivite pentru vizualizarea cantităților: grafice liniare, scatterplots și grafice de tip bară.
+
+> ✅ Folosește cel mai potrivit tip de grafic pentru structura datelor tale și povestea pe care vrei să o spui.  
+> - Pentru a analiza tendințele în timp: grafic liniar  
+> - Pentru a compara valori: grafic bară, coloană, plăcintă, scatterplot  
+> - Pentru a arăta cum părțile se raportează la întreg: plăcintă  
+> - Pentru a arăta distribuția datelor: scatterplot, grafic bară  
+> - Pentru a arăta tendințe: grafic liniar, coloană  
+> - Pentru a arăta relații între valori: grafic liniar, scatterplot, bubble  
+
+Dacă ai un set de date și trebuie să descoperi cât de mult dintr-un anumit element este inclus, una dintre primele sarcini va fi să inspectezi valorile acestuia.  
+
+✅ Există "fișe de ajutor" foarte bune pentru Matplotlib [aici](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Construiește un grafic liniar despre valorile anvergurii aripilor păsărilor
+
+Deschide fișierul `notebook.ipynb` aflat la rădăcina acestui folder de lecție și adaugă un celulă.
+
+> Notă: datele sunt stocate la rădăcina acestui depozit în folderul `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Aceste date sunt un amestec de text și numere:
+
+|      | Nume                         | NumeȘtiințific         | Categorie             | Ordin        | Familie  | Gen         | StatusConservare    | LungimeMin | LungimeMax | MasăCorpMin | MasăCorpMax | AnvergurăMin | AnvergurăMax |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Rața fluierătoare cu burtă neagră | Dendrocygna autumnalis | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Rața fluierătoare cafenie       | Dendrocygna bicolor    | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Gâsca de zăpadă                | Anser caerulescens     | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Gâsca lui Ross                 | Anser rossii           | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Gâsca albă cu frunte mare      | Anser albifrons        | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Să începem prin a reprezenta grafic câteva dintre datele numerice folosind un grafic liniar de bază. Să presupunem că vrei să vezi anvergura maximă a aripilor acestor păsări interesante.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Anvergură Max](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ro.png)
+
+Ce observi imediat? Pare să existe cel puțin un outlier - ce anvergură impresionantă! O anvergură de 2300 centimetri înseamnă 23 metri - sunt Pterodactili care zboară prin Minnesota? Să investigăm.
+
+Deși ai putea face rapid un sortare în Excel pentru a găsi acești outlieri, care probabil sunt erori de tipar, continuă procesul de vizualizare lucrând direct din grafic.
+
+Adaugă etichete pe axa x pentru a arăta ce tip de păsări sunt în discuție:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![anvergură cu etichete](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ro.png)
+
+Chiar și cu rotația etichetelor setată la 45 de grade, sunt prea multe pentru a fi citite. Să încercăm o strategie diferită: etichetează doar outlierii și setează etichetele în interiorul graficului. Poți folosi un grafic scatter pentru a face mai mult loc etichetării:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Ce se întâmplă aici? Ai folosit `tick_params` pentru a ascunde etichetele de jos și apoi ai creat un loop peste setul de date al păsărilor. Reprezentând graficul cu puncte mici albastre rotunde folosind `bo`, ai verificat orice pasăre cu o anvergură maximă mai mare de 500 și ai afișat eticheta acesteia lângă punct dacă este cazul. Ai offsetat etichetele puțin pe axa y (`y * (1 - 0.05)`) și ai folosit numele păsării ca etichetă.
+
+Ce ai descoperit?
+
+![outlieri](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ro.png)  
+## Filtrează datele
+
+Atât Vulturul Pleșuv, cât și Șoimul de Prerie, deși probabil păsări foarte mari, par să fie etichetate greșit, cu un `0` suplimentar adăugat la anvergura maximă a aripilor. Este puțin probabil să întâlnești un Vultur Pleșuv cu o anvergură de 25 metri, dar dacă da, te rugăm să ne anunți! Să creăm un nou cadru de date fără acești doi outlieri:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Filtrând outlierii, datele tale sunt acum mai coerente și mai ușor de înțeles.
+
+![scatterplot al anvergurilor](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ro.png)  
+
+Acum că avem un set de date mai curat, cel puțin în ceea ce privește anvergura aripilor, să descoperim mai multe despre aceste păsări.
+
+Deși graficele liniare și scatter pot afișa informații despre valorile datelor și distribuțiile acestora, vrem să ne gândim la valorile inerente acestui set de date. Ai putea crea vizualizări pentru a răspunde la următoarele întrebări despre cantitate:
+
+> Câte categorii de păsări există și care sunt numerele lor?  
+> Câte păsări sunt dispărute, pe cale de dispariție, rare sau comune?  
+> Câte sunt din diversele genuri și ordine din terminologia lui Linnaeus?  
+## Explorează graficele de tip bară
+
+Graficele de tip bară sunt practice atunci când trebuie să arăți grupări de date. Să explorăm categoriile de păsări care există în acest set de date pentru a vedea care este cea mai comună ca număr.
+
+În fișierul notebook, creează un grafic de tip bară de bază.
+
+✅ Notă, poți fie să filtrezi cele două păsări outlier pe care le-am identificat în secțiunea anterioară, să editezi eroarea din anvergura lor, sau să le lași în aceste exerciții care nu depind de valorile anvergurii.
+
+Dacă vrei să creezi un grafic de tip bară, poți selecta datele pe care vrei să te concentrezi. Graficele de tip bară pot fi create din date brute:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![date complete ca grafic bară](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ro.png)  
+
+Acest grafic de tip bară, totuși, este greu de citit deoarece există prea multe date negrupate. Trebuie să selectezi doar datele pe care vrei să le reprezinți grafic, așa că să ne uităm la lungimea păsărilor bazată pe categoria lor.  
+
+Filtrează datele pentru a include doar categoria păsării.  
+
+✅ Observă că folosești Pandas pentru a gestiona datele, iar apoi lași Matplotlib să se ocupe de graficare.
+
+Deoarece există multe categorii, poți afișa acest grafic vertical și ajusta înălțimea pentru a include toate datele:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![categorie și lungime](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ro.png)  
+
+Acest grafic de tip bară oferă o vedere bună asupra numărului de păsări din fiecare categorie. Dintr-o privire, vezi că cel mai mare număr de păsări din această regiune sunt în categoria Rațe/Gâște/Păsări acvatice. Minnesota este "țara celor 10.000 de lacuri", așa că acest lucru nu este surprinzător!
+
+✅ Încearcă alte numărători pe acest set de date. Te surprinde ceva?
+
+## Compararea datelor
+
+Poți încerca diferite comparații ale datelor grupate creând noi axe. Încearcă o comparație a LungimiiMaxime a unei păsări, bazată pe categoria sa:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![compararea datelor](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ro.png)  
+
+Nimic nu este surprinzător aici: colibrii au cea mai mică LungimeMaximă comparativ cu Pelicanii sau Gâștele. Este bine când datele au sens logic!
+
+Poți crea vizualizări mai interesante ale graficelor de tip bară suprapunând date. Să suprapunem LungimeaMinimă și LungimeaMaximă pe o categorie de păsări dată:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+În acest grafic, poți vedea intervalul per categorie de păsări al LungimiiMinime și LungimiiMaxime. Poți spune cu siguranță că, având în vedere aceste date, cu cât pasărea este mai mare, cu atât intervalul lungimii sale este mai mare. Fascinant!
+
+![valori suprapuse](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ro.png)  
+
+## 🚀 Provocare
+
+Acest set de date despre păsări oferă o mulțime de informații despre diferite tipuri de păsări dintr-un anumit ecosistem. Caută pe internet și vezi dacă poți găsi alte seturi de date orientate spre păsări. Exersează construirea de grafice și diagrame în jurul acestor păsări pentru a descoperi fapte pe care nu le știai.  
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Recapitulare & Studiu Individual
+
+Această primă lecție ți-a oferit câteva informații despre cum să folosești Matplotlib pentru a vizualiza cantități. Fă cercetări despre alte moduri de a lucra cu seturi de date pentru vizualizare. [Plotly](https://github.com/plotly/plotly.py) este unul pe care nu îl vom acoperi în aceste lecții, așa că aruncă o privire la ce poate oferi.  
+## Temă
+
+[Linii, Scatter și Bare](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/ro/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..1a1a1171
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:27:11+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Linii, Puncte și Bare
+
+## Instrucțiuni
+
+În această lecție, ai lucrat cu grafice liniare, diagrame de dispersie și grafice cu bare pentru a evidenția fapte interesante despre acest set de date. În această temă, aprofundează analiza setului de date pentru a descoperi un fapt despre un anumit tip de pasăre. De exemplu, creează un notebook care să vizualizeze toate datele interesante pe care le poți descoperi despre gâștele de zăpadă. Folosește cele trei tipuri de grafice menționate mai sus pentru a spune o poveste în notebook-ul tău.
+
+## Criterii de evaluare
+
+Exemplar | Adequat | Necesită îmbunătățiri
+--- | --- | --- |
+Un notebook este prezentat cu adnotări bune, o poveste bine construită și grafice atractive | Notebook-ul lipsește de unul dintre aceste elemente | Notebook-ul lipsește de două dintre aceste elemente
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți de faptul că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa maternă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/10-visualization-distributions/README.md b/translations/ro/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..9c5f2f48
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,216 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:51:24+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea distribuțiilor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizarea distribuțiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În lecția anterioară, ai învățat câteva lucruri interesante despre un set de date despre păsările din Minnesota. Ai descoperit date eronate vizualizând valorile extreme și ai analizat diferențele dintre categoriile de păsări în funcție de lungimea lor maximă.
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Explorează setul de date despre păsări
+
+O altă modalitate de a analiza datele este prin examinarea distribuției lor, adică modul în care datele sunt organizate de-a lungul unui ax. De exemplu, poate vrei să afli despre distribuția generală, pentru acest set de date, a anvergurii maxime a aripilor sau a masei corporale maxime pentru păsările din Minnesota.
+
+Hai să descoperim câteva informații despre distribuțiile datelor din acest set de date. În fișierul _notebook.ipynb_ aflat la rădăcina folderului acestei lecții, importă Pandas, Matplotlib și datele tale:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Nume                         | NumeȘtiințific         | Categorie             | Ordin        | Familie  | Gen         | StatusConservare    | MinLungime | MaxLungime | MinMasăCorp | MaxMasăCorp | MinAnvergură | MaxAnvergură |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Rața fluierătoare cu burtă neagră | Dendrocygna autumnalis | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Rața fluierătoare cafenie       | Dendrocygna bicolor    | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Gâsca de zăpadă                | Anser caerulescens     | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Gâsca lui Ross                 | Anser rossii           | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Gâsca albă cu frunte mare      | Anser albifrons        | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+În general, poți analiza rapid modul în care datele sunt distribuite folosind un grafic de tip scatter, așa cum am făcut în lecția anterioară:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![lungimea maximă per ordin](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ro.png)
+
+Acest grafic oferă o privire de ansamblu asupra distribuției generale a lungimii corpului per Ordin de păsări, dar nu este cea mai bună modalitate de a afișa distribuțiile reale. Această sarcină este de obicei realizată prin crearea unui histogramă.
+## Lucrul cu histograme
+
+Matplotlib oferă modalități foarte bune de a vizualiza distribuția datelor folosind histograme. Acest tip de grafic este similar cu un grafic de tip bară, unde distribuția poate fi observată prin creșterea și scăderea barelor. Pentru a construi o histogramă, ai nevoie de date numerice. Pentru a construi o histogramă, poți crea un grafic definind tipul ca 'hist' pentru histogramă. Acest grafic arată distribuția masei corporale maxime pentru întregul interval de date numerice din setul de date. Prin împărțirea array-ului de date în secțiuni mai mici (bins), poate afișa distribuția valorilor datelor:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![distribuția pe întregul set de date](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ro.png)
+
+După cum poți vedea, majoritatea celor 400+ păsări din acest set de date se încadrează în intervalul de sub 2000 pentru masa corporală maximă. Obține mai multe informații despre date modificând parametrul `bins` la un număr mai mare, cum ar fi 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![distribuția pe întregul set de date cu parametru bins mai mare](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ro.png)
+
+Acest grafic arată distribuția într-un mod puțin mai detaliat. Un grafic mai puțin înclinat spre stânga ar putea fi creat asigurându-te că selectezi doar datele dintr-un anumit interval:
+
+Filtrează datele pentru a obține doar acele păsări a căror masă corporală este sub 60 și afișează 40 de `bins`:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![histogramă filtrată](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ro.png)
+
+✅ Încearcă alte filtre și puncte de date. Pentru a vedea distribuția completă a datelor, elimină filtrul `['MaxBodyMass']` pentru a afișa distribuțiile etichetate.
+
+Histogramele oferă și câteva îmbunătățiri de culoare și etichetare pe care le poți încerca:
+
+Creează o histogramă 2D pentru a compara relația dintre două distribuții. Să comparăm `MaxBodyMass` vs. `MaxLength`. Matplotlib oferă o modalitate integrată de a arăta convergența folosind culori mai luminoase:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Pare să existe o corelație așteptată între aceste două elemente de-a lungul unui ax previzibil, cu un punct de convergență deosebit de puternic:
+
+![grafic 2D](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ro.png)
+
+Histogramele funcționează bine în mod implicit pentru date numerice. Ce se întâmplă dacă trebuie să vezi distribuții în funcție de date text? 
+## Explorează setul de date pentru distribuții folosind date text 
+
+Acest set de date include, de asemenea, informații bune despre categoria păsării, genul, specia și familia acesteia, precum și statusul de conservare. Să analizăm aceste informații despre conservare. Care este distribuția păsărilor în funcție de statusul lor de conservare?
+
+> ✅ În setul de date, sunt folosite mai multe acronime pentru a descrie statusul de conservare. Aceste acronime provin de la [IUCN Red List Categories](https://www.iucnredlist.org/), o organizație care cataloghează statusul speciilor.
+> 
+> - CR: Critic Periclitat
+> - EN: Periclitat
+> - EX: Extinct
+> - LC: Fără Griji
+> - NT: Aproape Amenințat
+> - VU: Vulnerabil
+
+Acestea sunt valori bazate pe text, așa că va trebui să faci o transformare pentru a crea o histogramă. Folosind dataframe-ul filteredBirds, afișează statusul de conservare alături de anvergura minimă a aripilor. Ce observi? 
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![anvergura aripilor și colajul statusului de conservare](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ro.png)
+
+Nu pare să existe o corelație bună între anvergura minimă a aripilor și statusul de conservare. Testează alte elemente ale setului de date folosind această metodă. Poți încerca diferite filtre. Găsești vreo corelație?
+
+## Grafice de densitate
+
+Poate ai observat că histogramele pe care le-am analizat până acum sunt 'în trepte' și nu curg lin într-un arc. Pentru a afișa un grafic de densitate mai lin, poți încerca un grafic de densitate.
+
+Pentru a lucra cu grafice de densitate, familiarizează-te cu o nouă bibliotecă de graficare, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Încarcă Seaborn și încearcă un grafic de densitate de bază:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Grafic de densitate](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ro.png)
+
+Poți vedea cum graficul reflectă cel anterior pentru datele despre anvergura minimă a aripilor; este doar puțin mai lin. Conform documentației Seaborn, "Comparativ cu o histogramă, KDE poate produce un grafic mai puțin aglomerat și mai ușor de interpretat, mai ales când se desenează mai multe distribuții. Dar are potențialul de a introduce distorsiuni dacă distribuția de bază este limitată sau nu este lină. La fel ca o histogramă, calitatea reprezentării depinde și de selecția unor parametri de netezire buni." [sursa](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Cu alte cuvinte, valorile extreme, ca întotdeauna, vor face ca graficele tale să se comporte ciudat.
+
+Dacă ai vrea să revizitezi acea linie zimțată a masei corporale maxime din al doilea grafic pe care l-ai construit, ai putea să o netezești foarte bine recreând-o folosind această metodă:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![linie netedă a masei corporale](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ro.png)
+
+Dacă ai vrea o linie netedă, dar nu prea netedă, editează parametrul `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![linie mai puțin netedă a masei corporale](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ro.png)
+
+✅ Citește despre parametrii disponibili pentru acest tip de grafic și experimentează!
+
+Acest tip de grafic oferă vizualizări explicative frumoase. Cu câteva linii de cod, de exemplu, poți arăta densitatea masei corporale maxime per Ordin de păsări:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![masa corporală per ordin](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ro.png)
+
+Poți, de asemenea, să mapezi densitatea mai multor variabile într-un singur grafic. Testează lungimea maximă și lungimea minimă a unei păsări în comparație cu statusul lor de conservare:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![densități multiple, suprapuse](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ro.png)
+
+Poate merită cercetat dacă grupul de păsări 'Vulnerabile' în funcție de lungimile lor este semnificativ sau nu.
+
+## 🚀 Provocare
+
+Histogramele sunt un tip de grafic mai sofisticat decât graficele de tip scatter, bară sau linie. Caută pe internet exemple bune de utilizare a histogramelor. Cum sunt folosite, ce demonstrează și în ce domenii sau arii de cercetare tind să fie utilizate?
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Recapitulare și Studiu Individual
+
+În această lecție, ai folosit Matplotlib și ai început să lucrezi cu Seaborn pentru a crea grafice mai sofisticate. Fă cercetări despre `kdeplot` în Seaborn, o "curbă de densitate a probabilității continue într-una sau mai multe dimensiuni". Citește [documentația](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) pentru a înțelege cum funcționează.
+
+## Temă
+
+[Aplică-ți abilitățile](assignment.md)
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/ro/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..35e0b656
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:53:03+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Aplică-ți abilitățile
+
+## Instrucțiuni
+
+Până acum, ai lucrat cu setul de date despre păsările din Minnesota pentru a descoperi informații despre cantitățile și densitatea populației de păsări. Exersează aplicarea acestor tehnici încercând un alt set de date, poate obținut de pe [Kaggle](https://www.kaggle.com/). Construiește un notebook pentru a spune o poveste despre acest set de date și asigură-te că folosești histograme atunci când îl analizezi.
+
+## Criterii de evaluare
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | --- |
+Un notebook este prezentat cu adnotări despre acest set de date, inclusiv sursa sa, și folosește cel puțin 5 histograme pentru a descoperi informații despre date. | Un notebook este prezentat cu adnotări incomplete sau erori. | Un notebook este prezentat fără adnotări și include erori.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/11-visualization-proportions/README.md b/translations/ro/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..8bbf45db
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:29:37+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Proporțiilor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizarea Proporțiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În această lecție, vei folosi un set de date axat pe natură pentru a vizualiza proporții, cum ar fi câte tipuri diferite de ciuperci sunt prezente într-un set de date despre ciuperci. Hai să explorăm aceste ciuperci fascinante folosind un set de date provenit de la Audubon, care conține detalii despre 23 de specii de ciuperci cu lamele din familiile Agaricus și Lepiota. Vei experimenta cu vizualizări interesante precum:
+
+- Grafice de tip plăcintă 🥧  
+- Grafice de tip gogoașă 🍩  
+- Grafice de tip vafă 🧇  
+
+> 💡 Un proiect foarte interesant numit [Charticulator](https://charticulator.com) de la Microsoft Research oferă o interfață gratuită de tip drag-and-drop pentru vizualizări de date. În unul dintre tutorialele lor, folosesc și acest set de date despre ciuperci! Astfel, poți explora datele și învăța biblioteca în același timp: [Tutorial Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Cunoaște-ți ciupercile 🍄
+
+Ciupercile sunt foarte interesante. Hai să importăm un set de date pentru a le studia:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```  
+Se afișează un tabel cu date excelente pentru analiză:
+
+| clasă     | formă pălărie | suprafață pălărie | culoare pălărie | vânătăi | miros    | atașare lamele | spațiere lamele | mărime lamele | culoare lamele | formă tulpină | rădăcină tulpină | suprafață tulpină deasupra inelului | suprafață tulpină sub inel | culoare tulpină deasupra inelului | culoare tulpină sub inel | tip voal | culoare voal | număr inele | tip inel | culoare spor | populație | habitat |
+| --------- | ------------- | ----------------- | --------------- | ------- | -------- | -------------- | --------------- | ------------- | -------------- | ------------- | -------------- | ------------------------------- | -------------------------- | ------------------------------- | -------------------------- | -------- | ------------ | ----------- | -------- | ------------ | --------- | ------- |
+| Otrăvitoare | Convexă      | Netedă            | Maro            | Vânătăi | Pungent  | Liber          | Apropiate       | Înguste       | Negru          | Lărgită       | Egal           | Netedă                          | Netedă                     | Albă                            | Albă                      | Parțial  | Alb          | Unul        | Pandantiv | Negru         | Răspândită | Urban   |
+| Comestibilă | Convexă      | Netedă            | Galben          | Vânătăi | Migdale  | Liber          | Apropiate       | Late          | Negru          | Lărgită       | Club          | Netedă                          | Netedă                     | Albă                            | Albă                      | Parțial  | Alb          | Unul        | Pandantiv | Maro          | Numeroasă | Iarbă   |
+| Comestibilă | Clopot       | Netedă            | Alb             | Vânătăi | Anason   | Liber          | Apropiate       | Late          | Maro           | Lărgită       | Club          | Netedă                          | Netedă                     | Albă                            | Albă                      | Parțial  | Alb          | Unul        | Pandantiv | Maro          | Numeroasă | Pajiști |
+| Otrăvitoare | Convexă      | Solzoasă          | Alb             | Vânătăi | Pungent  | Liber          | Apropiate       | Înguste       | Maro           | Lărgită       | Egal           | Netedă                          | Netedă                     | Albă                            | Albă                      | Parțial  | Alb          | Unul        | Pandantiv | Negru         | Răspândită | Urban   |
+
+Imediat observi că toate datele sunt textuale. Va trebui să convertești aceste date pentru a le putea folosi într-un grafic. Majoritatea datelor, de fapt, sunt reprezentate ca un obiect:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```  
+
+Rezultatul este:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```  
+Ia aceste date și convertește coloana 'clasă' într-o categorie:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```  
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```  
+
+Acum, dacă afișezi datele despre ciuperci, poți vedea că au fost grupate în categorii conform claselor comestibile/otrăvitoare:
+
+|           | formă pălărie | suprafață pălărie | culoare pălărie | vânătăi | miros | atașare lamele | spațiere lamele | mărime lamele | culoare lamele | formă tulpină | ... | suprafață tulpină sub inel | culoare tulpină deasupra inelului | culoare tulpină sub inel | tip voal | culoare voal | număr inele | tip inel | culoare spor | populație | habitat |
+| --------- | ------------- | ----------------- | --------------- | ------- | ----- | -------------- | --------------- | ------------- | -------------- | ------------- | --- | -------------------------- | ------------------------------- | -------------------------- | -------- | ------------ | ----------- | -------- | ------------ | --------- | ------- |
+| clasă     |               |                   |                 |         |       |                |                 |               |                |               |     |                          |                               |                          |          |              |             |          |              |           |         |
+| Comestibilă | 4208         | 4208             | 4208            | 4208    | 4208  | 4208           | 4208            | 4208          | 4208           | 4208          | ... | 4208                     | 4208                          | 4208                     | 4208     | 4208         | 4208        | 4208     | 4208         | 4208      | 4208    |
+| Otrăvitoare | 3916         | 3916             | 3916            | 3916    | 3916  | 3916           | 3916            | 3916          | 3916           | 3916          | ... | 3916                     | 3916                          | 3916                     | 3916     | 3916         | 3916        | 3916     | 3916         | 3916      | 3916    |
+
+Dacă urmezi ordinea prezentată în acest tabel pentru a crea etichetele categoriei clasă, poți construi un grafic de tip plăcintă:
+
+## Plăcintă!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```  
+Voila, un grafic de tip plăcintă care arată proporțiile acestor date conform celor două clase de ciuperci. Este foarte important să obții ordinea etichetelor corectă, mai ales aici, așa că asigură-te că verifici ordinea în care este construit array-ul de etichete!
+
+![grafic plăcintă](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ro.png)
+
+## Gogoși!
+
+Un grafic de tip gogoașă este o variantă mai interesantă vizual a graficului de tip plăcintă, fiind un grafic de plăcintă cu o gaură în mijloc. Hai să ne uităm la datele noastre folosind această metodă.
+
+Aruncă o privire la diversele habitate în care cresc ciupercile:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```  
+Aici, grupezi datele după habitat. Sunt 7 listate, așa că folosește-le ca etichete pentru graficul de tip gogoașă:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```  
+
+![grafic gogoașă](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ro.png)
+
+Acest cod desenează un grafic și un cerc central, apoi adaugă acel cerc central în grafic. Modifică lățimea cercului central schimbând `0.40` cu o altă valoare.
+
+Graficele de tip gogoașă pot fi ajustate în mai multe moduri pentru a schimba etichetele. Etichetele, în special, pot fi evidențiate pentru lizibilitate. Află mai multe în [documentație](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Acum că știi cum să grupezi datele și să le afișezi ca plăcintă sau gogoașă, poți explora alte tipuri de grafice. Încearcă un grafic de tip vafă, care este doar o altă modalitate de a explora cantitățile.
+
+## Vafe!
+
+Un grafic de tip 'vafă' este o modalitate diferită de a vizualiza cantitățile ca o matrice 2D de pătrate. Încearcă să vizualizezi diferitele cantități de culori ale pălăriilor de ciuperci din acest set de date. Pentru a face acest lucru, trebuie să instalezi o bibliotecă auxiliară numită [PyWaffle](https://pypi.org/project/pywaffle/) și să folosești Matplotlib:
+
+```python
+pip install pywaffle
+```  
+
+Selectează un segment din datele tale pentru a le grupa:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```  
+
+Creează un grafic de tip vafă prin crearea etichetelor și apoi gruparea datelor:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```  
+
+Folosind un grafic de tip vafă, poți vedea clar proporțiile culorilor pălăriilor din acest set de date despre ciuperci. Interesant, există multe ciuperci cu pălării verzi!
+
+![grafic vafă](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ro.png)
+
+✅ Pywaffle suportă utilizarea de pictograme în grafice care folosesc orice pictogramă disponibilă în [Font Awesome](https://fontawesome.com/). Fă câteva experimente pentru a crea un grafic de tip vafă și mai interesant folosind pictograme în loc de pătrate.
+
+În această lecție, ai învățat trei modalități de a vizualiza proporțiile. Mai întâi, trebuie să grupezi datele în categorii și apoi să decizi care este cea mai bună modalitate de a afișa datele - plăcintă, gogoașă sau vafă. Toate sunt delicioase și oferă utilizatorului o imagine instantanee a unui set de date.
+
+## 🚀 Provocare
+
+Încearcă să recreezi aceste grafice delicioase în [Charticulator](https://charticulator.com).  
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Recapitulare & Studiu Individual
+
+Uneori nu este evident când să folosești un grafic de tip plăcintă, gogoașă sau vafă. Iată câteva articole pe acest subiect:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+Fă cercetări pentru a găsi mai multe informații despre această decizie dificilă.  
+
+## Temă
+
+[Încearcă în Excel](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/ro/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..991ee8e8
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:31:05+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Încearcă în Excel
+
+## Instrucțiuni
+
+Știai că poți crea grafice de tip gogoașă, plăcintă și vafă în Excel? Folosind un set de date la alegerea ta, creează aceste trei grafice direct într-un fișier Excel.
+
+## Criterii de evaluare
+
+| Exemplu remarcabil                                     | Adecvat                                           | Necesită îmbunătățiri                                 |
+| ------------------------------------------------------ | ------------------------------------------------ | ----------------------------------------------------- |
+| Este prezentat un fișier Excel cu toate cele trei grafice | Este prezentat un fișier Excel cu două grafice    | Este prezentat un fișier Excel cu un singur grafic    |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/12-visualization-relationships/README.md b/translations/ro/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..e8b95984
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:55:54+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Relațiilor: Totul despre Miere 🍯
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizarea Relațiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Continuând cu accentul pe natură al cercetării noastre, să descoperim vizualizări interesante pentru a arăta relațiile dintre diferitele tipuri de miere, conform unui set de date derivat de la [Departamentul de Agricultură al Statelor Unite](https://www.nass.usda.gov/About_NASS/index.php). 
+
+Acest set de date, care conține aproximativ 600 de elemente, prezintă producția de miere în multe state din SUA. De exemplu, poți analiza numărul de colonii, randamentul per colonie, producția totală, stocurile, prețul pe kilogram și valoarea mierii produse într-un anumit stat între 1998-2012, cu un rând pentru fiecare an și stat. 
+
+Va fi interesant să vizualizăm relația dintre producția anuală a unui stat și, de exemplu, prețul mierii în acel stat. Alternativ, ai putea vizualiza relația dintre randamentul mierii per colonie în diferite state. Această perioadă acoperă devastatorul fenomen 'CCD' sau 'Colony Collapse Disorder', observat pentru prima dată în 2006 (http://npic.orst.edu/envir/ccd.html), așa că este un set de date emoționant de studiat. 🐝
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+În această lecție, poți folosi Seaborn, pe care l-ai mai utilizat, ca o bibliotecă excelentă pentru a vizualiza relațiile dintre variabile. Este deosebit de interesantă funcția `relplot` din Seaborn, care permite crearea rapidă de diagrame scatter și diagrame liniare pentru a vizualiza '[relațiile statistice](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', ajutând astfel oamenii de știință în date să înțeleagă mai bine cum se raportează variabilele între ele.
+
+## Diagrame Scatter
+
+Folosește o diagramă scatter pentru a arăta cum a evoluat prețul mierii, an de an, în fiecare stat. Seaborn, utilizând `relplot`, grupează convenabil datele pe state și afișează puncte de date atât pentru date categorice, cât și numerice. 
+
+Să începem prin a importa datele și Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Observi că datele despre miere conțin mai multe coloane interesante, inclusiv anul și prețul pe kilogram. Să explorăm aceste date, grupate pe state din SUA:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+Creează o diagramă scatter de bază pentru a arăta relația dintre prețul pe kilogram al mierii și statul de origine din SUA. Fă axa `y` suficient de înaltă pentru a afișa toate statele:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ro.png)
+
+Acum, afișează aceleași date cu o schemă de culori inspirată de miere pentru a arăta cum evoluează prețul de-a lungul anilor. Poți face acest lucru adăugând un parametru 'hue' pentru a arăta schimbarea, an de an:
+
+> ✅ Află mai multe despre [paletele de culori pe care le poți folosi în Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - încearcă o schemă de culori curcubeu frumoasă!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ro.png)
+
+Cu această schimbare de schemă de culori, poți observa clar o progresie puternică de-a lungul anilor în ceea ce privește prețul mierii pe kilogram. De fapt, dacă verifici un set de date eșantion (alege un stat, de exemplu Arizona), poți observa un model de creștere a prețului an de an, cu câteva excepții:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+O altă modalitate de a vizualiza această progresie este să folosești dimensiunea, în loc de culoare. Pentru utilizatorii daltoniști, aceasta ar putea fi o opțiune mai bună. Editează vizualizarea pentru a arăta o creștere a prețului printr-o creștere a circumferinței punctelor:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Poți observa cum dimensiunea punctelor crește treptat.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ro.png)
+
+Este acesta un caz simplu de cerere și ofertă? Din cauza unor factori precum schimbările climatice și colapsul coloniilor, există mai puțină miere disponibilă pentru cumpărare an de an, iar astfel prețul crește?
+
+Pentru a descoperi o corelație între unele dintre variabilele din acest set de date, să explorăm câteva diagrame liniare.
+
+## Diagrame liniare
+
+Întrebare: Există o creștere clară a prețului mierii pe kilogram, an de an? Poți descoperi acest lucru cel mai ușor creând o singură diagramă liniară:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Răspuns: Da, cu câteva excepții în jurul anului 2003:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ro.png)
+
+✅ Deoarece Seaborn agregă datele într-o singură linie, afișează "măsurătorile multiple pentru fiecare valoare x prin trasarea mediei și a intervalului de încredere de 95% în jurul mediei". [Sursă](https://seaborn.pydata.org/tutorial/relational.html). Acest comportament consumator de timp poate fi dezactivat adăugând `ci=None`.
+
+Întrebare: Ei bine, în 2003 putem observa și o creștere a ofertei de miere? Ce se întâmplă dacă analizezi producția totală an de an?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ro.png)
+
+Răspuns: Nu chiar. Dacă te uiți la producția totală, aceasta pare să fi crescut în acel an, deși, în general, cantitatea de miere produsă este în scădere în acești ani.
+
+Întrebare: În acest caz, ce ar fi putut cauza acea creștere a prețului mierii în jurul anului 2003? 
+
+Pentru a descoperi acest lucru, poți explora o grilă de fațete.
+
+## Grile de fațete
+
+Grilele de fațete iau un aspect al setului tău de date (în cazul nostru, poți alege 'anul' pentru a evita crearea prea multor fațete). Seaborn poate apoi să creeze un grafic pentru fiecare dintre aceste fațete ale coordonatelor x și y alese, pentru o comparație vizuală mai ușoară. Se remarcă anul 2003 în acest tip de comparație?
+
+Creează o grilă de fațete continuând să folosești `relplot`, așa cum este recomandat de [documentația Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). 
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+În această vizualizare, poți compara randamentul per colonie și numărul de colonii an de an, alăturat, cu o împărțire pe 3 coloane:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ro.png)
+
+Pentru acest set de date, nimic nu iese în evidență în mod special în ceea ce privește numărul de colonii și randamentul lor, an de an și stat de stat. Există o altă modalitate de a găsi o corelație între aceste două variabile?
+
+## Diagrame cu linii duble
+
+Încearcă o diagramă cu linii multiple, suprapunând două diagrame liniare una peste alta, folosind funcția 'despine' din Seaborn pentru a elimina marginile de sus și din dreapta și utilizând `ax.twinx` [derivat din Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx permite unui grafic să împartă axa x și să afișeze două axe y. Așadar, afișează randamentul per colonie și numărul de colonii, suprapuse:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ro.png)
+
+Deși nimic nu sare în evidență în jurul anului 2003, acest lucru ne permite să încheiem lecția pe o notă mai optimistă: deși numărul de colonii este în scădere, acesta pare să se stabilizeze, chiar dacă randamentul per colonie scade.
+
+Hai, albine, hai!
+
+🐝❤️
+## 🚀 Provocare
+
+În această lecție, ai învățat mai multe despre utilizările scatterplot-urilor și grilelor de fațete, inclusiv grilele de fațete. Provocă-te să creezi o grilă de fațete folosind un alt set de date, poate unul pe care l-ai folosit anterior în aceste lecții. Observă cât timp durează să le creezi și cât de atent trebuie să fii cu privire la numărul de grile pe care trebuie să le desenezi folosind aceste tehnici.
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Recapitulare & Studiu individual
+
+Diagramele liniare pot fi simple sau destul de complexe. Citește puțin în [documentația Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) despre diferitele moduri în care le poți construi. Încearcă să îmbunătățești diagramele liniare pe care le-ai construit în această lecție cu alte metode listate în documentație.
+## Temă
+
+[Explorează stupul](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/ro/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..ac4a2213
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:52+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Explorează stupul
+
+## Instrucțiuni
+
+În această lecție ai început să analizezi un set de date despre albine și producția lor de miere pe o perioadă de timp în care s-au înregistrat pierderi în populația coloniilor de albine. Cercetează mai profund acest set de date și construiește un notebook care să spună povestea sănătății populației de albine, stat cu stat și an cu an. Descoperi ceva interesant în acest set de date?
+
+## Criterii de evaluare
+
+| Exemplar                                                                                                                                               | Adecvat                                  | Necesită îmbunătățiri                    |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| Este prezentat un notebook cu o poveste adnotată cu cel puțin trei grafice diferite care ilustrează aspecte ale setului de date, stat cu stat și an cu an | Notebook-ul lipsește unul dintre aceste elemente | Notebook-ul lipsește două dintre aceste elemente |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..9445f1fe
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:45:13+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "ro"
+}
+-->
+# Crearea Vizualizărilor Semnificative
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Vizualizări Semnificative - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+> "Dacă torturezi datele suficient de mult, vor mărturisi orice" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Una dintre abilitățile de bază ale unui specialist în știința datelor este capacitatea de a crea o vizualizare semnificativă a datelor care să ajute la răspunsul întrebărilor pe care le ai. Înainte de a vizualiza datele, trebuie să te asiguri că acestea au fost curățate și pregătite, așa cum ai făcut în lecțiile anterioare. După aceea, poți începe să decizi cum să prezinți cel mai bine datele.
+
+În această lecție, vei revizui:
+
+1. Cum să alegi tipul potrivit de grafic
+2. Cum să eviți graficele înșelătoare
+3. Cum să lucrezi cu culorile
+4. Cum să stilizezi graficele pentru lizibilitate
+5. Cum să construiești soluții animate sau 3D pentru grafice
+6. Cum să creezi o vizualizare creativă
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Alege tipul potrivit de grafic
+
+În lecțiile anterioare, ai experimentat construirea diferitelor tipuri de vizualizări interesante folosind Matplotlib și Seaborn. În general, poți selecta [tipul potrivit de grafic](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pentru întrebarea pe care o pui, utilizând acest tabel:
+
+| Ai nevoie să:              | Ar trebui să folosești:         |
+| -------------------------- | ------------------------------- |
+| Arăți tendințele în timp   | Linie                           |
+| Compari categorii          | Bară, Plăcintă                 |
+| Compari totaluri           | Plăcintă, Bară stivuită         |
+| Arăți relații              | Puncte, Linie, Facet, Linie dublă |
+| Arăți distribuții          | Puncte, Histogramă, Cutie       |
+| Arăți proporții            | Plăcintă, Gogoșă, Waffle        |
+
+> ✅ În funcție de structura datelor tale, s-ar putea să fie nevoie să le convertești din text în numeric pentru a putea utiliza un anumit tip de grafic.
+
+## Evită înșelăciunea
+
+Chiar dacă un specialist în știința datelor este atent să aleagă graficul potrivit pentru datele potrivite, există multe moduri în care datele pot fi prezentate pentru a susține un punct de vedere, deseori în detrimentul adevărului. Există numeroase exemple de grafice și infografice înșelătoare!
+
+[![Cum mint graficele de Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ro.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Cum mint graficele")
+
+> 🎥 Fă clic pe imaginea de mai sus pentru o prezentare despre graficele înșelătoare
+
+Acest grafic inversează axa X pentru a arăta opusul adevărului, pe baza datelor:
+
+![grafic greșit 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ro.png)
+
+[Acest grafic](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) este și mai înșelător, deoarece privirea este atrasă spre dreapta pentru a concluziona că, în timp, cazurile de COVID au scăzut în diferite județe. De fapt, dacă te uiți atent la date, vei observa că acestea au fost rearanjate pentru a crea o tendință descendentă falsă.
+
+![grafic greșit 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ro.jpg)
+
+Acest exemplu notoriu folosește culoarea ȘI o axă Y inversată pentru a induce în eroare: în loc să concluzionezi că decesele prin arme au crescut după adoptarea legislației favorabile armelor, privirea este păcălită să creadă opusul:
+
+![grafic greșit 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ro.jpg)
+
+Acest grafic ciudat arată cum proporțiile pot fi manipulate, cu un efect hilar:
+
+![grafic greșit 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ro.jpg)
+
+Compararea incomparabilului este o altă tactică dubioasă. Există un [site web minunat](https://tylervigen.com/spurious-correlations) dedicat 'corelațiilor false', care afișează 'fapte' ce corelează, de exemplu, rata divorțurilor din Maine cu consumul de margarină. Un grup de pe Reddit colectează, de asemenea, [utilizările urâte](https://www.reddit.com/r/dataisugly/top/?t=all) ale datelor.
+
+Este important să înțelegi cât de ușor poate fi păcălită privirea de graficele înșelătoare. Chiar dacă intenția specialistului în date este bună, alegerea unui tip greșit de grafic, cum ar fi un grafic de tip plăcintă cu prea multe categorii, poate fi înșelătoare.
+
+## Culoare
+
+Ai văzut în graficul despre 'violența cu arme din Florida' cum culoarea poate adăuga un strat suplimentar de semnificație graficelor, mai ales celor care nu sunt create folosind biblioteci precum Matplotlib și Seaborn, care vin cu diverse palete de culori verificate. Dacă faci un grafic manual, studiază puțin [teoria culorilor](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Fii conștient, atunci când proiectezi grafice, că accesibilitatea este un aspect important al vizualizării. Unii dintre utilizatorii tăi ar putea fi daltoniști - graficul tău este vizibil pentru utilizatorii cu deficiențe vizuale?
+
+Fii atent când alegi culorile pentru graficul tău, deoarece culoarea poate transmite un sens pe care nu intenționezi să-l comunici. 'Doamnele roz' din graficul despre 'înălțime' de mai sus transmit un sens distinct 'feminin', care adaugă la ciudățenia graficului în sine.
+
+Deși [semnificația culorilor](https://colormatters.com/color-symbolism/the-meanings-of-colors) poate varia în diferite părți ale lumii și tinde să se schimbe în funcție de nuanță, în general, semnificațiile culorilor includ:
+
+| Culoare | Semnificație         |
+| ------- | -------------------- |
+| roșu    | putere              |
+| albastru| încredere, loialitate|
+| galben  | fericire, precauție |
+| verde   | ecologie, noroc, invidie |
+| mov     | fericire            |
+| portocaliu | vitalitate        |
+
+Dacă trebuie să creezi un grafic cu culori personalizate, asigură-te că graficele tale sunt atât accesibile, cât și că culoarea aleasă coincide cu semnificația pe care încerci să o transmiți.
+
+## Stilizarea graficelor pentru lizibilitate
+
+Graficele nu sunt semnificative dacă nu sunt lizibile! Acordă-ți un moment pentru a considera stilizarea lățimii și înălțimii graficului astfel încât să se potrivească bine cu datele tale. Dacă trebuie să afișezi o variabilă (cum ar fi toate cele 50 de state), afișează-le vertical pe axa Y, dacă este posibil, pentru a evita un grafic care necesită derulare orizontală.
+
+Etichetează axele, oferă o legendă dacă este necesar și adaugă tooltips pentru o mai bună înțelegere a datelor.
+
+Dacă datele tale sunt textuale și verbose pe axa X, poți înclina textul pentru o mai bună lizibilitate. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) oferă și graficare 3D, dacă datele tale o permit. Vizualizări sofisticate pot fi produse folosind `mpl_toolkits.mplot3d`.
+
+![grafice 3D](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ro.png)
+
+## Animație și afișare grafică 3D
+
+Unele dintre cele mai bune vizualizări de date de astăzi sunt animate. Shirley Wu are exemple uimitoare realizate cu D3, cum ar fi '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', unde fiecare floare este o vizualizare a unui film. Un alt exemplu pentru The Guardian este 'bussed out', o experiență interactivă care combină vizualizările cu Greensock și D3, plus un format de articol narativ pentru a arăta cum NYC gestionează problema persoanelor fără adăpost, trimițându-le în afara orașului.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ro.png)
+
+> "Bussed Out: Cum America își mută persoanele fără adăpost" de la [The Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizări de Nadieh Bremer & Shirley Wu
+
+Deși această lecție nu este suficientă pentru a intra în detalii despre aceste biblioteci puternice de vizualizare, încearcă să folosești D3 într-o aplicație Vue.js utilizând o bibliotecă pentru a afișa o vizualizare a cărții "Legături Primejdioase" ca o rețea socială animată.
+
+> "Les Liaisons Dangereuses" este un roman epistolar, sau un roman prezentat ca o serie de scrisori. Scris în 1782 de Choderlos de Laclos, povestește despre manevrele sociale viclene și lipsite de moralitate ale doi protagoniști rivali ai aristocrației franceze din secolul al XVIII-lea, Vicomte de Valmont și Marchiza de Merteuil. Ambii își găsesc sfârșitul în cele din urmă, dar nu înainte de a provoca multe daune sociale. Romanul se desfășoară ca o serie de scrisori scrise către diverse persoane din cercurile lor, complotând pentru răzbunare sau pur și simplu pentru a crea probleme. Creează o vizualizare a acestor scrisori pentru a descoperi personajele principale ale narațiunii, în mod vizual.
+
+Vei finaliza o aplicație web care va afișa o vedere animată a acestei rețele sociale. Aceasta folosește o bibliotecă construită pentru a crea o [vizualizare a unei rețele](https://github.com/emiliorizzo/vue-d3-network) utilizând Vue.js și D3. Când aplicația rulează, poți trage nodurile pe ecran pentru a rearanja datele.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ro.png)
+
+## Proiect: Construiește un grafic pentru a arăta o rețea folosind D3.js
+
+> Acest folder al lecției include un folder `solution` unde poți găsi proiectul complet, pentru referință.
+
+1. Urmează instrucțiunile din fișierul README.md din folderul rădăcină al starter-ului. Asigură-te că ai NPM și Node.js instalate pe mașina ta înainte de a instala dependențele proiectului.
+
+2. Deschide folderul `starter/src`. Vei găsi un folder `assets` unde există un fișier .json cu toate scrisorile din roman, numerotate, cu o adnotare 'to' și 'from'.
+
+3. Completează codul din `components/Nodes.vue` pentru a activa vizualizarea. Caută metoda numită `createLinks()` și adaugă următorul loop imbricat.
+
+Parcurge obiectul .json pentru a captura datele 'to' și 'from' ale scrisorilor și construiește obiectul `links` astfel încât biblioteca de vizualizare să îl poată consuma:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Rulează aplicația din terminal (npm run serve) și bucură-te de vizualizare!
+
+## 🚀 Provocare
+
+Fă un tur pe internet pentru a descoperi vizualizări înșelătoare. Cum păcălește autorul utilizatorul și este intenționat? Încearcă să corectezi vizualizările pentru a arăta cum ar trebui să arate.
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Recapitulare și Studiu Individual
+
+Iată câteva articole despre vizualizările de date înșelătoare:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Aruncă o privire la aceste vizualizări interesante pentru active și artefacte istorice:
+
+https://handbook.pubpub.org/
+
+Citește acest articol despre cum animația poate îmbunătăți vizualizările:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Temă
+
+[Construiește propria ta vizualizare personalizată](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..1be91720
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:47:25+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Creează-ți propria vizualizare personalizată
+
+## Instrucțiuni
+
+Folosind exemplul de cod din acest proiect pentru a crea o rețea socială, creează date fictive despre propriile tale interacțiuni sociale. Poți să cartografiezi utilizarea rețelelor sociale sau să faci un diagramă a membrilor familiei tale. Creează o aplicație web interesantă care să afișeze o vizualizare unică a unei rețele sociale.
+
+## Criterii de evaluare
+
+Exemplar | Adequat | Necesită îmbunătățiri
+--- | --- | --- |
+Un repo GitHub este prezentat cu cod care funcționează corect (încearcă să-l implementezi ca o aplicație web statică) și are un README adnotat care explică proiectul | Repo-ul nu funcționează corect sau nu este bine documentat | Repo-ul nu funcționează corect și nu este bine documentat
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..7e0e13a4
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:46+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "ro"
+}
+-->
+# Proiect de vizualizare a datelor Dangerous Liaisons
+
+Pentru a începe, trebuie să te asiguri că ai NPM și Node instalate pe mașina ta. Instalează dependențele (npm install) și apoi rulează proiectul local (npm run serve):
+
+## Configurarea proiectului
+```
+npm install
+```
+
+### Compilează și reîncarcă automat pentru dezvoltare
+```
+npm run serve
+```
+
+### Compilează și minimizează pentru producție
+```
+npm run build
+```
+
+### Verifică și corectează fișierele
+```
+npm run lint
+```
+
+### Personalizează configurația
+Vezi [Referința de Configurare](https://cli.vuejs.org/config/).
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..d1a745cd
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:07+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "ro"
+}
+-->
+# Proiect de vizualizare a datelor Dangerous Liaisons
+
+Pentru a începe, trebuie să te asiguri că ai NPM și Node instalate și funcționale pe calculatorul tău. Instalează dependențele (npm install) și apoi rulează proiectul local (npm run serve):
+
+## Configurarea proiectului
+```
+npm install
+```
+
+### Compilează și reîncarcă automat pentru dezvoltare
+```
+npm run serve
+```
+
+### Compilează și minimizează pentru producție
+```
+npm run build
+```
+
+### Verifică și corectează fișierele
+```
+npm run lint
+```
+
+### Personalizează configurația
+Vezi [Configuration Reference](https://cli.vuejs.org/config/).
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/ro/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..ae72d5ad
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,231 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:10:28+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Cantităților
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizarea Cantităților - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În această lecție vei explora cum să folosești unele dintre numeroasele biblioteci disponibile în pachetele R pentru a învăța să creezi vizualizări interesante în jurul conceptului de cantitate. Folosind un set de date curățat despre păsările din Minnesota, poți descoperi multe informații interesante despre fauna locală.  
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Observă anvergura aripilor cu ggplot2
+O bibliotecă excelentă pentru crearea atât a graficelor simple, cât și a celor sofisticate este [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). În termeni generali, procesul de realizare a graficelor folosind aceste biblioteci include identificarea părților din cadrul de date pe care vrei să le analizezi, efectuarea transformărilor necesare asupra datelor, atribuirea valorilor pentru axele x și y, alegerea tipului de grafic și apoi afișarea graficului.
+
+`ggplot2` este un sistem pentru crearea graficelor în mod declarativ, bazat pe Gramatica Graficelor. [Gramatica Graficelor](https://en.wikipedia.org/wiki/Ggplot2) este o schemă generală pentru vizualizarea datelor care împarte graficele în componente semantice, cum ar fi scalele și straturile. Cu alte cuvinte, ușurința de a crea grafice pentru date univariate sau multivariate cu puțin cod face ca `ggplot2` să fie cel mai popular pachet utilizat pentru vizualizări în R. Utilizatorul spune `ggplot2` cum să mapese variabilele la estetici, ce primitive grafice să folosească, iar `ggplot2` se ocupă de restul.
+
+> ✅ Grafic = Date + Estetici + Geometrie  
+> - Datele se referă la setul de date  
+> - Esteticile indică variabilele care urmează să fie studiate (variabilele x și y)  
+> - Geometria se referă la tipul de grafic (grafic liniar, grafic cu bare etc.)  
+
+Alege cea mai bună geometrie (tip de grafic) în funcție de datele tale și povestea pe care vrei să o spui prin grafic.  
+
+> - Pentru a analiza tendințele: linie, coloană  
+> - Pentru a compara valori: bare, coloană, plăcintă, scatterplot  
+> - Pentru a arăta cum părțile se raportează la întreg: plăcintă  
+> - Pentru a arăta distribuția datelor: scatterplot, bare  
+> - Pentru a arăta relațiile dintre valori: linie, scatterplot, bubble  
+
+✅ Poți consulta și acest [cheatsheet descriptiv](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) pentru ggplot2.
+
+## Construiește un grafic liniar despre valorile anvergurii aripilor păsărilor
+
+Deschide consola R și importă setul de date.  
+> Notă: Setul de date este stocat în rădăcina acestui repo în folderul `/data`.
+
+Să importăm setul de date și să observăm primele 5 rânduri ale datelor.
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+Primele rânduri ale datelor conțin un amestec de text și numere:
+
+|      | Nume                         | NumeȘtiințific         | Categorie              | Ordin        | Familie   | Genus       | StatusConservare | LungimeMin | LungimeMax | MasăCorpMin | MasăCorpMax | AnvergurăMin | AnvergurăMax |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Rața fluierătoare cu burtă neagră | Dendrocygna autumnalis | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Rața fluierătoare fulvoasă       | Dendrocygna bicolor    | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Gâsca de zăpadă                   | Anser caerulescens     | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Gâsca lui Ross                 | Anser rossii           | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Gâsca albă cu frunte mare  | Anser albifrons        | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Să începem prin a reprezenta grafic unele dintre datele numerice folosind un grafic liniar de bază. Să presupunem că vrei să vezi anvergura maximă a aripilor acestor păsări interesante.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Aici, instalezi pachetul `ggplot2` și apoi îl importi în spațiul de lucru folosind comanda `library("ggplot2")`. Pentru a crea orice grafic în ggplot, se folosește funcția `ggplot()` și specifici setul de date, variabilele x și y ca atribute. În acest caz, folosim funcția `geom_line()` deoarece dorim să creăm un grafic liniar.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ro.png)
+
+Ce observi imediat? Pare să existe cel puțin un outlier - ce anvergură impresionantă! O anvergură de peste 2000 de centimetri înseamnă mai mult de 20 de metri - sunt Pterodactili care zboară prin Minnesota? Să investigăm.
+
+Deși ai putea face o sortare rapidă în Excel pentru a găsi acești outlieri, care sunt probabil erori de tipar, continuă procesul de vizualizare lucrând direct din grafic.
+
+Adaugă etichete pe axa x pentru a arăta ce tip de păsări sunt în discuție:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+Specificăm unghiul în `theme` și specificăm etichetele axelor x și y în `xlab()` și `ylab()` respectiv. Funcția `ggtitle()` oferă un nume graficului.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ro.png)
+
+Chiar și cu rotația etichetelor setată la 45 de grade, sunt prea multe pentru a fi citite. Să încercăm o strategie diferită: etichetează doar outlierii și setează etichetele în interiorul graficului. Poți folosi un grafic scatter pentru a face mai mult loc etichetării:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+Ce se întâmplă aici? Ai folosit funcția `geom_point()` pentru a reprezenta puncte scatter. Cu aceasta, ai adăugat etichete pentru păsările care au `MaxWingspan > 500` și ai ascuns etichetele de pe axa x pentru a decluttera graficul.  
+
+Ce descoperi?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ro.png)
+
+## Filtrează datele tale
+
+Atât Vulturul Pleșuv, cât și Șoimul de Prerie, deși probabil păsări foarte mari, par să fie etichetate greșit, cu un zero în plus adăugat la anvergura maximă a aripilor. Este puțin probabil să întâlnești un Vultur Pleșuv cu o anvergură de 25 de metri, dar dacă da, te rugăm să ne anunți! Să creăm un nou cadru de date fără acești doi outlieri:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Am creat un nou cadru de date `birds_filtered` și apoi am reprezentat un grafic scatter. Prin filtrarea outlierilor, datele tale sunt acum mai coerente și mai ușor de înțeles.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ro.png)
+
+Acum că avem un set de date mai curat, cel puțin în ceea ce privește anvergura aripilor, să descoperim mai multe despre aceste păsări.
+
+Deși graficele liniare și scatter pot afișa informații despre valorile datelor și distribuțiile lor, vrem să ne gândim la valorile inerente acestui set de date. Ai putea crea vizualizări pentru a răspunde la următoarele întrebări despre cantitate:
+
+> Câte categorii de păsări există și care sunt numerele lor?  
+> Câte păsări sunt dispărute, pe cale de dispariție, rare sau comune?  
+> Câte sunt din diferitele genuri și ordine în terminologia lui Linnaeus?  
+## Explorează graficele cu bare
+
+Graficele cu bare sunt practice atunci când trebuie să arăți grupări de date. Să explorăm categoriile de păsări care există în acest set de date pentru a vedea care este cea mai comună ca număr.  
+Să creăm un grafic cu bare pe datele filtrate.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+În următorul fragment, instalăm pachetele [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) și [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) pentru a ajuta la manipularea și gruparea datelor în vederea creării unui grafic cu bare stivuite. Mai întâi, grupăm datele după `Category` și apoi sumarizăm coloanele `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Apoi, reprezentăm graficul cu bare folosind pachetul `ggplot2` și specificăm culorile pentru diferitele categorii și etichetele.  
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ro.png)
+
+Acest grafic cu bare, totuși, este greu de citit deoarece există prea multe date negrupate. Trebuie să selectezi doar datele pe care vrei să le reprezinți grafic, așa că să analizăm lungimea păsărilor în funcție de categoria lor.
+
+Filtrează datele pentru a include doar categoria păsărilor.
+
+Deoarece există multe categorii, poți afișa acest grafic vertical și ajusta înălțimea pentru a include toate datele:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Mai întâi numeri valorile unice din coloana `Category` și apoi le sortezi într-un nou cadru de date `birds_count`. Aceste date sortate sunt apoi factorizate la același nivel pentru a fi reprezentate grafic în mod ordonat. Folosind `ggplot2`, reprezinți grafic datele într-un grafic cu bare. Funcția `coord_flip()` afișează barele orizontal.  
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ro.png)
+
+Acest grafic cu bare oferă o vedere bună asupra numărului de păsări din fiecare categorie. Dintr-o privire, vezi că cel mai mare număr de păsări din această regiune sunt în categoria Rațe/Gâște/Păsări acvatice. Minnesota este 'țara celor 10.000 de lacuri', așa că acest lucru nu este surprinzător!
+
+✅ Încearcă alte numărători pe acest set de date. Te surprinde ceva?
+
+## Compararea datelor
+
+Poți încerca diferite comparații ale datelor grupate prin crearea de noi axe. Încearcă o comparație a LungimiiMaxime a unei păsări, bazată pe categoria sa:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Grupăm datele `birds_filtered` după `Category` și apoi reprezentăm grafic un grafic cu bare.  
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ro.png)
+
+Nimic nu este surprinzător aici: colibrii au cea mai mică LungimeMaximă comparativ cu Pelicanii sau Gâștele. Este bine când datele au sens logic!
+
+Poți crea vizualizări mai interesante ale graficelor cu bare prin suprapunerea datelor. Să suprapunem LungimeaMinimă și LungimeaMaximă pe o categorie de păsări dată:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ro.png)
+
+## 🚀 Provocare
+
+Acest set de date despre păsări oferă o bogăție de informații despre diferite tipuri de păsări dintr-un anumit ecosistem. Caută pe internet și vezi dacă poți găsi alte seturi de date orientate spre păsări. Exersează construirea de grafice și diagrame despre aceste păsări pentru a descoperi fapte pe care nu le știai.
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Recapitulare & Studiu Individual
+
+Această primă lecție ți-a oferit câteva informații despre cum să folosești `ggplot2` pentru a vizualiza cantități. Fă cercetări despre alte moduri de a lucra cu seturi de date pentru vizualizare. Cercetează și caută seturi de date pe care le-ai putea vizualiza folosind alte pachete precum [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) și [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Temă
+[Grafice liniare, scatter și bare](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de oameni. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/ro/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..1efc0e2c
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:13:57+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Linii, Dispersii și Bare
+
+## Instrucțiuni
+
+În această lecție, ai lucrat cu grafice liniare, diagrame de dispersie și grafice cu bare pentru a evidenția fapte interesante despre acest set de date. În această temă, aprofundează analiza setului de date pentru a descoperi un fapt despre un anumit tip de pasăre. De exemplu, creează un script care să vizualizeze toate datele interesante pe care le poți descoperi despre gâștele zăpezii. Folosește cele trei tipuri de grafice menționate mai sus pentru a spune o poveste în caietul tău.
+
+## Criterii de evaluare
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | -- |
+Un script este prezentat cu adnotări bune, o poveste bine conturată și grafice atractive | Scriptul lipsește de unul dintre aceste elemente | Scriptul lipsește de două dintre aceste elemente
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/ro/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..21905071
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,183 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T17:00:55+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea distribuțiilor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizarea distribuțiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În lecția anterioară, ai învățat câteva lucruri interesante despre un set de date despre păsările din Minnesota. Ai descoperit unele date eronate vizualizând valorile extreme și ai analizat diferențele dintre categoriile de păsări în funcție de lungimea lor maximă.
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Explorează setul de date despre păsări
+
+O altă modalitate de a analiza datele este prin examinarea distribuției lor, adică modul în care datele sunt organizate de-a lungul unui ax. Poate, de exemplu, ai vrea să afli despre distribuția generală, pentru acest set de date, a anvergurii maxime a aripilor sau a masei corporale maxime pentru păsările din Minnesota.
+
+Hai să descoperim câteva informații despre distribuțiile datelor din acest set de date. În consola R, importă `ggplot2` și baza de date. Elimină valorile extreme din baza de date, la fel ca în subiectul anterior.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Nume                         | NumeȘtiințific         | Categorie             | Ordin        | Familie  | Gen         | StatusConservare    | LungimeMinimă | LungimeMaximă | MasăCorpMinimă | MasăCorpMaximă | AnvergurăMinimă | AnvergurăMaximă |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ------------: | ------------: | -------------: | -------------: | --------------: | --------------: |
+|    0 | Rața fluierătoare cu burtă neagră | Dendrocygna autumnalis | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |            47 |            56 |             652 |            1020 |              76 |              94 |
+|    1 | Rața fluierătoare fulvoasă       | Dendrocygna bicolor    | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Dendrocygna | LC                 |            45 |            53 |             712 |            1050 |              85 |              93 |
+|    2 | Gâsca de zăpadă                 | Anser caerulescens     | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |            64 |            79 |            2050 |            4050 |             135 |             165 |
+|    3 | Gâsca lui Ross                 | Anser rossii           | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |          57.3 |            64 |            1066 |            1567 |             113 |             116 |
+|    4 | Gâsca albă cu frunte mare      | Anser albifrons        | Rațe/Gâște/Păsări acvatice | Anseriformes | Anatidae | Anser       | LC                 |            64 |            81 |            1930 |            3310 |             130 |             165 |
+
+În general, poți analiza rapid modul în care datele sunt distribuite utilizând un grafic de dispersie, așa cum am făcut în lecția anterioară:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![lungime maximă per ordin](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ro.png)
+
+Acest grafic oferă o privire de ansamblu asupra distribuției generale a lungimii corpului per Ordin de păsări, dar nu este cea mai bună modalitate de a afișa distribuțiile reale. Această sarcină este de obicei realizată prin crearea unui histogramă.
+## Lucrul cu histograme
+
+`ggplot2` oferă modalități foarte bune de a vizualiza distribuția datelor utilizând histograme. Acest tip de grafic este similar cu un grafic cu bare, unde distribuția poate fi observată prin creșterea și scăderea barelor. Pentru a construi o histogramă, ai nevoie de date numerice. Pentru a construi o histogramă, poți crea un grafic definind tipul ca 'hist' pentru histogramă. Acest grafic arată distribuția masei corporale maxime pentru întreaga gamă de date numerice din setul de date. Prin împărțirea array-ului de date în secțiuni mai mici, poate afișa distribuția valorilor datelor:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![distribuție pe întregul set de date](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ro.png)
+
+După cum poți vedea, majoritatea celor 400+ păsări din acest set de date se încadrează în intervalul de sub 2000 pentru masa corporală maximă. Obține mai multe informații despre date modificând parametrul `bins` la un număr mai mare, cum ar fi 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![distribuție-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ro.png)
+
+Acest grafic arată distribuția într-un mod puțin mai detaliat. Un grafic mai puțin înclinat spre stânga ar putea fi creat asigurându-te că selectezi doar datele dintr-un anumit interval:
+
+Filtrează datele pentru a obține doar acele păsări a căror masă corporală este sub 60 și afișează 30 de `bins`:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![histogramă filtrată](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ro.png)
+
+✅ Încearcă alte filtre și puncte de date. Pentru a vedea distribuția completă a datelor, elimină filtrul `['MaxBodyMass']` pentru a afișa distribuțiile etichetate.
+
+Histogramele oferă și câteva îmbunătățiri de culoare și etichetare pe care le poți încerca:
+
+Creează o histogramă 2D pentru a compara relația dintre două distribuții. Să comparăm `MaxBodyMass` vs. `MaxLength`. `ggplot2` oferă o modalitate integrată de a arăta convergența utilizând culori mai luminoase:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Pare să existe o corelație așteptată între aceste două elemente de-a lungul unui ax previzibil, cu un punct de convergență deosebit de puternic:
+
+![grafic 2d](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ro.png)
+
+Histogramele funcționează bine în mod implicit pentru date numerice. Ce se întâmplă dacă trebuie să vezi distribuții în funcție de date text? 
+## Explorează setul de date pentru distribuții utilizând date text 
+
+Acest set de date include, de asemenea, informații bune despre categoria păsării și genul, specia și familia acesteia, precum și statusul de conservare. Să analizăm aceste informații despre conservare. Care este distribuția păsărilor în funcție de statusul lor de conservare?
+
+> ✅ În setul de date, sunt utilizate mai multe acronime pentru a descrie statusul de conservare. Aceste acronime provin de la [IUCN Red List Categories](https://www.iucnredlist.org/), o organizație care cataloghează statusul speciilor.
+> 
+> - CR: Critic Periclitat
+> - EN: Periclitat
+> - EX: Extinct
+> - LC: Fără Griji
+> - NT: Aproape Amenințat
+> - VU: Vulnerabil
+
+Acestea sunt valori bazate pe text, așa că va trebui să faci o transformare pentru a crea o histogramă. Utilizând dataframe-ul filteredBirds, afișează statusul de conservare alături de anvergura minimă a aripilor. Ce observi? 
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![anvergură și status conservare](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ro.png)
+
+Nu pare să existe o corelație bună între anvergura minimă a aripilor și statusul de conservare. Testează alte elemente ale setului de date utilizând această metodă. Poți încerca diferite filtre. Găsești vreo corelație?
+
+## Grafice de densitate
+
+Poate ai observat că histogramele pe care le-am analizat până acum sunt „în trepte” și nu curg lin într-un arc. Pentru a afișa un grafic de densitate mai lin, poți încerca un grafic de densitate.
+
+Să lucrăm acum cu grafice de densitate!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![grafic de densitate](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ro.png)
+
+Poți vedea cum graficul reflectă cel anterior pentru datele despre anvergura minimă a aripilor; este doar puțin mai lin. Dacă ai vrea să revizitezi acea linie „în trepte” a masei corporale maxime din al doilea grafic pe care l-ai construit, ai putea să o netezești foarte bine recreând-o utilizând această metodă:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![densitate masă corporală](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ro.png)
+
+Dacă ai vrea o linie netedă, dar nu prea netedă, editează parametrul `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![masă corporală mai puțin netedă](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ro.png)
+
+✅ Citește despre parametrii disponibili pentru acest tip de grafic și experimentează!
+
+Acest tip de grafic oferă vizualizări explicative frumoase. Cu câteva linii de cod, de exemplu, poți afișa densitatea masei corporale maxime per Ordin de păsări:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![masă corporală per ordin](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ro.png)
+
+## 🚀 Provocare
+
+Histogramele sunt un tip de grafic mai sofisticat decât graficele de dispersie, graficele cu bare sau graficele liniare de bază. Caută pe internet exemple bune de utilizare a histogramelor. Cum sunt utilizate, ce demonstrează și în ce domenii sau arii de cercetare tind să fie utilizate?
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Recapitulare și Studiu Individual
+
+În această lecție, ai utilizat `ggplot2` și ai început să creezi grafice mai sofisticate. Fă cercetări despre `geom_density_2d()`, o „curbă de densitate a probabilității continue într-una sau mai multe dimensiuni”. Citește [documentația](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) pentru a înțelege cum funcționează.
+
+## Temă
+
+[Aplică-ți abilitățile](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/ro/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..f8a68bc9
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:02:29+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Aplică-ți abilitățile
+
+## Instrucțiuni
+
+Până acum, ai lucrat cu setul de date despre păsările din Minnesota pentru a descoperi informații despre cantitățile și densitatea populației de păsări. Exersează aplicarea acestor tehnici încercând un alt set de date, poate obținut de pe [Kaggle](https://www.kaggle.com/). Construiește un script R pentru a spune o poveste despre acest set de date și asigură-te că folosești histograme atunci când îl analizezi.
+
+## Criterii de evaluare
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | -- |
+Un script este prezentat cu adnotări despre acest set de date, inclusiv sursa sa, și folosește cel puțin 5 histograme pentru a descoperi informații despre date. | Un script este prezentat cu adnotări incomplete sau erori. | Un script este prezentat fără adnotări și include erori.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/ro/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..2f5bec1c
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,198 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:21:01+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Proporțiilor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizarea Proporțiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În această lecție, vei folosi un set de date axat pe natură pentru a vizualiza proporții, cum ar fi câte tipuri diferite de ciuperci sunt prezente într-un set de date despre ciuperci. Hai să explorăm aceste ciuperci fascinante folosind un set de date obținut de la Audubon, care listează detalii despre 23 de specii de ciuperci cu lamele din familiile Agaricus și Lepiota. Vei experimenta cu vizualizări interesante precum:
+
+- Grafice de tip plăcintă 🥧  
+- Grafice de tip gogoașă 🍩  
+- Grafice de tip vafă 🧇  
+
+> 💡 Un proiect foarte interesant numit [Charticulator](https://charticulator.com) de la Microsoft Research oferă o interfață gratuită de tip drag and drop pentru vizualizări de date. Într-unul dintre tutorialele lor, folosesc și acest set de date despre ciuperci! Așadar, poți explora datele și învăța biblioteca în același timp: [Tutorial Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Cunoaște-ți ciupercile 🍄
+
+Ciupercile sunt foarte interesante. Hai să importăm un set de date pentru a le studia:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```  
+Se afișează un tabel cu date excelente pentru analiză:
+
+
+| clasă      | formă-pălărie | suprafață-pălărie | culoare-pălărie | vânătăi | miros    | atașare-lamele | spațiere-lamele | dimensiune-lamele | culoare-lamele | formă-picior | rădăcină-picior | suprafață-picior-deasupra-inelului | suprafață-picior-dedesubt-inelului | culoare-picior-deasupra-inelului | culoare-picior-dedesubt-inelului | tip-voal | culoare-voal | număr-inele | tip-inel | culoare-spori | populație | habitat |
+| --------- | ------------- | ----------------- | --------------- | ------- | -------- | -------------- | ---------------- | ---------------- | -------------- | ------------ | -------------- | ------------------------------- | ------------------------------- | ------------------------------- | ------------------------------- | --------- | ------------ | ----------- | -------- | ------------- | --------- | ------- |
+| Otrăvitoare | Convexă      | Netedă            | Maro            | Vânătăi | Pungent  | Liber          | Apropiate        | Înguste          | Negru          | Lărgit       | Egal          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Pandantiv | Negru         | Răspândită | Urban   |
+| Comestibilă | Convexă      | Netedă            | Galben          | Vânătăi | Migdale  | Liber          | Apropiate        | Late            | Negru          | Lărgit       | Club          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Pandantiv | Maro          | Numeroasă | Iarbă   |
+| Comestibilă | Clopot       | Netedă            | Alb             | Vânătăi | Anason   | Liber          | Apropiate        | Late            | Maro           | Lărgit       | Club          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Pandantiv | Maro          | Numeroasă | Pajiști |
+| Otrăvitoare | Convexă      | Solzoasă          | Alb             | Vânătăi | Pungent  | Liber          | Apropiate        | Înguste          | Maro           | Lărgit       | Egal          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Pandantiv | Negru         | Răspândită | Urban   |
+| Comestibilă | Convexă      | Netedă            | Verde           | Fără vânătăi | Niciunul | Liber        | Înghesuite       | Late            | Negru          | Subțiat      | Egal          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Evanescent | Maro          | Abundentă | Iarbă   |
+| Comestibilă | Convexă      | Solzoasă          | Galben          | Vânătăi | Migdale  | Liber          | Apropiate        | Late            | Maro           | Lărgit       | Club          | Netedă                          | Netedă                          | Albă                            | Albă                            | Parțial   | Albă         | Unu         | Pandantiv | Negru         | Numeroasă | Iarbă   |
+
+Imediat observi că toate datele sunt textuale. Va trebui să convertești aceste date pentru a le putea folosi într-un grafic. Majoritatea datelor, de fapt, sunt reprezentate ca un obiect:
+
+```r
+names(mushrooms)
+```  
+
+Rezultatul este:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```  
+Ia aceste date și convertește coloana 'clasă' într-o categorie:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```  
+
+Acum, dacă afișezi datele despre ciuperci, poți vedea că au fost grupate în categorii conform claselor comestibile/otrăvitoare:  
+```r
+View(grouped)
+```  
+
+| clasă      | număr |
+| --------- | ----- |
+| Comestibilă | 4208 |
+| Otrăvitoare | 3916 |
+
+Dacă urmezi ordinea prezentată în acest tabel pentru a crea etichetele categoriei clasă, poți construi un grafic de tip plăcintă.
+
+## Plăcintă!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```  
+Voila, un grafic de tip plăcintă care arată proporțiile acestor date conform celor două clase de ciuperci. Este foarte important să obții ordinea corectă a etichetelor, mai ales aici, așa că asigură-te că verifici ordinea în care este construită matricea de etichete!
+
+![grafic plăcintă](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ro.png)
+
+## Gogoși!
+
+Un grafic de tip gogoașă, care este o variantă mai interesantă vizual a graficului de tip plăcintă, are o gaură în mijloc. Hai să ne uităm la datele noastre folosind această metodă.
+
+Aruncă o privire la diferitele habitate în care cresc ciupercile:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```  
+Rezultatul este:  
+| habitat | număr |
+| ------- | ----- |
+| Iarbă   | 2148  |
+| Frunze  | 832   |
+| Pajiști | 292   |
+| Cărări  | 1144  |
+| Urban   | 368   |
+| Deșeuri | 192   |
+| Lemn    | 3148  |
+
+Aici, grupezi datele după habitat. Sunt 7 listate, așa că folosește-le ca etichete pentru graficul de tip gogoașă:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```  
+
+![grafic gogoașă](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ro.png)
+
+Acest cod folosește două biblioteci - ggplot2 și webr. Folosind funcția PieDonut din biblioteca webr, putem crea ușor un grafic de tip gogoașă!
+
+Graficele de tip gogoașă în R pot fi realizate și folosind doar biblioteca ggplot2. Poți afla mai multe despre asta [aici](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) și să încerci singur.
+
+Acum că știi cum să grupezi datele și să le afișezi ca plăcintă sau gogoașă, poți explora alte tipuri de grafice. Încearcă un grafic de tip vafă, care este doar o altă modalitate de a explora cantitățile.
+
+## Vafe!
+
+Un grafic de tip 'vafă' este o modalitate diferită de a vizualiza cantitățile ca o matrice 2D de pătrate. Încearcă să vizualizezi diferitele cantități de culori ale pălăriilor de ciuperci din acest set de date. Pentru a face asta, trebuie să instalezi o bibliotecă auxiliară numită [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) și să o folosești pentru a genera vizualizarea:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```  
+
+Selectează un segment din datele tale pentru a le grupa:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```  
+
+Creează un grafic de tip vafă prin crearea etichetelor și apoi gruparea datelor:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```  
+
+Folosind un grafic de tip vafă, poți vedea clar proporțiile culorilor pălăriilor din acest set de date despre ciuperci. Interesant, există multe ciuperci cu pălării verzi!
+
+![grafic vafă](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ro.png)
+
+În această lecție, ai învățat trei modalități de a vizualiza proporțiile. Mai întâi, trebuie să grupezi datele în categorii și apoi să decizi care este cea mai bună modalitate de a afișa datele - plăcintă, gogoașă sau vafă. Toate sunt delicioase și oferă utilizatorului o imagine instantanee a unui set de date.
+
+## 🚀 Provocare
+
+Încearcă să recreezi aceste grafice delicioase în [Charticulator](https://charticulator.com).  
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Recapitulare & Studiu Individual
+
+Uneori nu este evident când să folosești un grafic de tip plăcintă, gogoașă sau vafă. Iată câteva articole de citit pe acest subiect:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+Fă cercetări pentru a găsi mai multe informații despre această decizie dificilă.  
+
+## Temă
+
+[Încearcă în Excel](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/ro/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..079d4106
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:05:23+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizarea Relațiilor: Totul Despre Miere 🍯
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizarea Relațiilor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Continuând cu tema naturii din cercetările noastre, să descoperim vizualizări interesante pentru a arăta relațiile dintre diferite tipuri de miere, conform unui set de date derivat de la [Departamentul de Agricultură al Statelor Unite](https://www.nass.usda.gov/About_NASS/index.php). 
+
+Acest set de date, care conține aproximativ 600 de elemente, prezintă producția de miere în multe state americane. De exemplu, poți analiza numărul de colonii, producția per colonie, producția totală, stocurile, prețul per kilogram și valoarea mierii produse într-un anumit stat între anii 1998-2012, cu câte un rând pentru fiecare an și stat. 
+
+Ar fi interesant să vizualizăm relația dintre producția anuală a unui stat și, de exemplu, prețul mierii în acel stat. Alternativ, ai putea vizualiza relația dintre producția per colonie în diferite state. Această perioadă acoperă devastatorul fenomen 'CCD' sau 'Colony Collapse Disorder', observat pentru prima dată în 2006 (http://npic.orst.edu/envir/ccd.html), ceea ce face ca acest set de date să fie unul emoționant de studiat. 🐝
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+În această lecție, poți folosi ggplot2, pe care l-ai utilizat anterior, ca o bibliotecă excelentă pentru a vizualiza relațiile dintre variabile. Este deosebit de interesantă utilizarea funcțiilor `geom_point` și `qplot` din ggplot2, care permit realizarea de grafice de dispersie și grafice liniare pentru a vizualiza rapid '[relațiile statistice](https://ggplot2.tidyverse.org/)', ajutând astfel specialistul în date să înțeleagă mai bine cum se relaționează variabilele între ele.
+
+## Grafice de dispersie
+
+Folosește un grafic de dispersie pentru a arăta cum a evoluat prețul mierii, an după an, în fiecare stat. ggplot2, utilizând `ggplot` și `geom_point`, grupează convenabil datele pe state și afișează puncte de date atât pentru date categorice, cât și pentru date numerice. 
+
+Să începem prin importarea datelor și a bibliotecii Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Observi că datele despre miere au mai multe coloane interesante, inclusiv anul și prețul per kilogram. Să explorăm aceste date, grupate pe state americane:
+
+| stat | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Creează un grafic de dispersie de bază pentru a arăta relația dintre prețul per kilogram de miere și statul de origine al acesteia. Fă axa `y` suficient de înaltă pentru a afișa toate statele:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ro.png)
+
+Acum, afișează aceleași date cu o schemă de culori inspirată de miere pentru a arăta cum evoluează prețul de-a lungul anilor. Poți face acest lucru adăugând un parametru 'scale_color_gradientn' pentru a arăta schimbarea, an după an:
+
+> ✅ Află mai multe despre [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - încearcă o schemă de culori frumoasă, în stil curcubeu!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ro.png)
+
+Cu această schimbare de schemă de culori, poți observa clar o progresie puternică de-a lungul anilor în ceea ce privește prețul mierii per kilogram. De fapt, dacă analizezi un set de date exemplu pentru a verifica (alege un stat, Arizona, de exemplu), poți observa un model de creștere a prețului an după an, cu câteva excepții:
+
+| stat | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+O altă modalitate de a vizualiza această progresie este să folosești dimensiunea, în loc de culoare. Pentru utilizatorii daltoniști, aceasta ar putea fi o opțiune mai bună. Modifică vizualizarea pentru a arăta creșterea prețului printr-o creștere a circumferinței punctelor:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Poți observa cum dimensiunea punctelor crește treptat.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ro.png)
+
+Este acesta un caz simplu de cerere și ofertă? Din cauza unor factori precum schimbările climatice și colapsul coloniilor, există mai puțină miere disponibilă pentru cumpărare an după an, iar astfel prețul crește?
+
+Pentru a descoperi o corelație între unele dintre variabilele din acest set de date, să explorăm câteva grafice liniare.
+
+## Grafice liniare
+
+Întrebare: Există o creștere clară a prețului mierii per kilogram an după an? Poți descoperi cel mai ușor acest lucru creând un singur grafic liniar:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Răspuns: Da, cu câteva excepții în jurul anului 2003:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ro.png)
+
+Întrebare: Ei bine, în 2003 putem observa și o creștere a stocului de miere? Ce se întâmplă dacă analizezi producția totală an după an?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ro.png)
+
+Răspuns: Nu chiar. Dacă te uiți la producția totală, pare să fi crescut în acel an, deși, în general, cantitatea de miere produsă este în scădere în acești ani.
+
+Întrebare: În acest caz, ce ar fi putut cauza acea creștere a prețului mierii în jurul anului 2003?
+
+Pentru a descoperi acest lucru, poți explora o grilă de fațete.
+
+## Grile de fațete
+
+Grilele de fațete iau un aspect al setului tău de date (în cazul nostru, poți alege 'anul' pentru a evita producerea unui număr prea mare de fațete). Seaborn poate apoi să creeze un grafic pentru fiecare dintre aceste fațete ale coordonatelor x și y alese, pentru o comparație mai ușoară. Se remarcă anul 2003 în acest tip de comparație?
+
+Creează o grilă de fațete folosind `facet_wrap`, așa cum este recomandat de [documentația ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html). 
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+În această vizualizare, poți compara producția per colonie și numărul de colonii an după an, alăturate, cu o grilă setată la 3 coloane:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ro.png)
+
+Pentru acest set de date, nimic nu pare să iasă în evidență în ceea ce privește numărul de colonii și producția lor, an după an și stat după stat. Există o altă modalitate de a găsi o corelație între aceste două variabile?
+
+## Grafice liniare duale
+
+Încearcă un grafic multilinear prin suprapunerea a două grafice liniare unul peste celălalt, folosind funcțiile `par` și `plot` din R. Vom reprezenta anul pe axa x și vom afișa două axe y. Astfel, afișăm producția per colonie și numărul de colonii, suprapuse:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ro.png)
+
+Deși nimic nu sare în ochi în jurul anului 2003, acest lucru ne permite să încheiem lecția pe o notă puțin mai optimistă: deși numărul de colonii este în scădere, acesta pare să se stabilizeze, chiar dacă producția per colonie este în scădere.
+
+Hai, albine, hai!
+
+🐝❤️
+## 🚀 Provocare
+
+În această lecție, ai învățat mai multe despre alte utilizări ale graficelor de dispersie și grilelor liniare, inclusiv grilele de fațete. Provocarea ta este să creezi o grilă de fațete folosind un alt set de date, poate unul pe care l-ai utilizat anterior în aceste lecții. Observă cât timp durează să o creezi și cât de atent trebuie să fii în privința numărului de grile pe care trebuie să le desenezi folosind aceste tehnici.
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Recapitulare și Studiu Individual
+
+Graficele liniare pot fi simple sau destul de complexe. Citește puțin din [documentația ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) despre diferitele moduri în care le poți construi. Încearcă să îmbunătățești graficele liniare pe care le-ai construit în această lecție cu alte metode listate în documentație.
+## Temă
+
+[Intră în stup](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/ro/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..cb878131
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:17:06+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "ro"
+}
+-->
+# Crearea Vizualizărilor Semnificative
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Vizualizări Semnificative - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+> "Dacă torturezi datele suficient de mult, ele vor mărturisi orice" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Una dintre abilitățile de bază ale unui specialist în date este capacitatea de a crea o vizualizare semnificativă a datelor care ajută la răspunsul la întrebările pe care le ai. Înainte de a vizualiza datele, trebuie să te asiguri că acestea au fost curățate și pregătite, așa cum ai făcut în lecțiile anterioare. După aceea, poți începe să decizi cum să prezinți cel mai bine datele.
+
+În această lecție, vei analiza:
+
+1. Cum să alegi tipul potrivit de grafic
+2. Cum să eviți graficele înșelătoare
+3. Cum să lucrezi cu culorile
+4. Cum să stilizezi graficele pentru lizibilitate
+5. Cum să construiești soluții animate sau 3D pentru grafice
+6. Cum să creezi o vizualizare creativă
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Alegerea tipului potrivit de grafic
+
+În lecțiile anterioare, ai experimentat crearea diferitelor vizualizări de date interesante folosind Matplotlib și Seaborn pentru grafice. În general, poți selecta [tipul potrivit de grafic](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pentru întrebarea pe care o pui folosind acest tabel:
+
+| Ai nevoie să:              | Ar trebui să folosești:         |
+| -------------------------- | ------------------------------- |
+| Arăți tendințele datelor în timp | Linie                          |
+| Compari categorii          | Bară, Plăcintă                  |
+| Compari totaluri           | Plăcintă, Bară suprapusă        |
+| Arăți relații              | Puncte, Linie, Facet, Linie dublă |
+| Arăți distribuții          | Puncte, Histogramă, Cutie       |
+| Arăți proporții            | Plăcintă, Donut, Waffle         |
+
+> ✅ În funcție de structura datelor tale, poate fi necesar să le convertești din text în numeric pentru ca un anumit grafic să le poată susține.
+
+## Evitarea înșelăciunii
+
+Chiar dacă un specialist în date este atent să aleagă graficul potrivit pentru datele potrivite, există multe moduri în care datele pot fi afișate pentru a susține un punct de vedere, adesea în detrimentul datelor în sine. Există numeroase exemple de grafice și infografice înșelătoare!
+
+[![Cum Mint Graficele de Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ro.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Cum mint graficele")
+
+> 🎥 Fă clic pe imaginea de mai sus pentru o prezentare despre graficele înșelătoare
+
+Acest grafic inversează axa X pentru a arăta opusul adevărului, bazat pe date:
+
+![grafic prost 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ro.png)
+
+[Acest grafic](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) este chiar mai înșelător, deoarece privirea este atrasă spre dreapta pentru a concluziona că, în timp, cazurile de COVID au scăzut în diverse județe. De fapt, dacă te uiți atent la date, vei descoperi că acestea au fost rearanjate pentru a crea acea tendință descendentă înșelătoare.
+
+![grafic prost 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ro.jpg)
+
+Acest exemplu notoriu folosește culoarea ȘI o axă Y inversată pentru a înșela: în loc să concluzionezi că decesele cauzate de arme au crescut după adoptarea legislației favorabile armelor, privirea este păcălită să creadă că opusul este adevărat:
+
+![grafic prost 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ro.jpg)
+
+Acest grafic ciudat arată cum proporțiile pot fi manipulate, cu efecte hilare:
+
+![grafic prost 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ro.jpg)
+
+Compararea incomparabilului este o altă tactică dubioasă. Există un [site web minunat](https://tylervigen.com/spurious-correlations) dedicat 'corelațiilor false', care afișează 'fapte' ce corelează lucruri precum rata divorțurilor din Maine și consumul de margarină. Un grup Reddit colectează, de asemenea, [utilizările urâte](https://www.reddit.com/r/dataisugly/top/?t=all) ale datelor.
+
+Este important să înțelegi cât de ușor poate fi păcălită privirea de graficele înșelătoare. Chiar dacă intenția specialistului în date este bună, alegerea unui tip de grafic nepotrivit, cum ar fi un grafic de tip plăcintă care arată prea multe categorii, poate fi înșelătoare.
+
+## Culoare
+
+Ai văzut în graficul despre 'violența cu arme din Florida' cum culoarea poate adăuga un strat suplimentar de semnificație graficelor, mai ales celor care nu sunt proiectate folosind biblioteci precum ggplot2 și RColorBrewer, care vin cu diverse biblioteci și palete de culori verificate. Dacă creezi un grafic manual, studiază puțin [teoria culorilor](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Fii conștient, atunci când proiectezi grafice, că accesibilitatea este un aspect important al vizualizării. Unii dintre utilizatorii tăi ar putea fi daltoniști - graficul tău se afișează bine pentru utilizatorii cu deficiențe vizuale?
+
+Fii atent când alegi culorile pentru graficul tău, deoarece culoarea poate transmite semnificații pe care nu le-ai intenționat. 'Doamnele roz' din graficul despre 'înălțime' de mai sus transmit o semnificație distinct 'feminină', care adaugă la ciudățenia graficului în sine.
+
+Deși [semnificația culorilor](https://colormatters.com/color-symbolism/the-meanings-of-colors) poate fi diferită în diverse părți ale lumii și tinde să se schimbe în funcție de nuanță, în general, semnificațiile culorilor includ:
+
+| Culoare | Semnificație         |
+| ------- | ------------------- |
+| roșu    | putere              |
+| albastru| încredere, loialitate|
+| galben  | fericire, precauție |
+| verde   | ecologie, noroc, invidie |
+| mov     | fericire            |
+| portocaliu| vitalitate         |
+
+Dacă ai sarcina de a crea un grafic cu culori personalizate, asigură-te că graficele tale sunt accesibile și că culoarea aleasă coincide cu semnificația pe care încerci să o transmiți.
+
+## Stilizarea graficelor pentru lizibilitate
+
+Graficele nu sunt semnificative dacă nu sunt lizibile! Ia un moment pentru a considera stilizarea lățimii și înălțimii graficului astfel încât să se potrivească bine cu datele tale. Dacă trebuie să afișezi o variabilă (cum ar fi toate cele 50 de state), arată-le vertical pe axa Y, dacă este posibil, pentru a evita un grafic care necesită derulare orizontală.
+
+Etichetează axele, oferă o legendă dacă este necesar și oferă tooltips pentru o mai bună înțelegere a datelor.
+
+Dacă datele tale sunt textuale și verbose pe axa X, poți înclina textul pentru o mai bună lizibilitate. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) oferă graficare 3D, dacă datele tale o susțin. Vizualizări sofisticate de date pot fi produse folosind această metodă.
+
+![grafice 3D](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ro.png)
+
+## Afișarea animată și graficarea 3D
+
+Unele dintre cele mai bune vizualizări de date de astăzi sunt animate. Shirley Wu are exemple uimitoare realizate cu D3, cum ar fi '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', unde fiecare floare este o vizualizare a unui film. Un alt exemplu pentru Guardian este 'bussed out', o experiență interactivă care combină vizualizările cu Greensock și D3 plus un format de articol narativ pentru a arăta cum NYC gestionează problema persoanelor fără adăpost, trimițându-le cu autobuzul în afara orașului.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ro.png)
+
+> "Bussed Out: Cum America își mută persoanele fără adăpost" de la [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizări de Nadieh Bremer & Shirley Wu
+
+Deși această lecție nu este suficientă pentru a intra în detalii despre aceste biblioteci puternice de vizualizare, încearcă să folosești D3 într-o aplicație Vue.js utilizând o bibliotecă pentru a afișa o vizualizare a cărții "Legături Primejdioase" ca o rețea socială animată.
+
+> "Les Liaisons Dangereuses" este un roman epistolar, sau un roman prezentat ca o serie de scrisori. Scris în 1782 de Choderlos de Laclos, povestește despre manevrele sociale viclene și lipsite de moralitate ale doi protagoniști rivali din aristocrația franceză de la sfârșitul secolului al XVIII-lea, Vicomte de Valmont și Marquise de Merteuil. Ambii își găsesc sfârșitul în final, dar nu înainte de a provoca o mare pagubă socială. Romanul se desfășoară ca o serie de scrisori scrise către diverse persoane din cercurile lor, complotând pentru răzbunare sau pur și simplu pentru a crea probleme. Creează o vizualizare a acestor scrisori pentru a descoperi principalii actori ai narațiunii, vizual.
+
+Vei finaliza o aplicație web care va afișa o vizualizare animată a acestei rețele sociale. Folosește o bibliotecă construită pentru a crea o [vizualizare a unei rețele](https://github.com/emiliorizzo/vue-d3-network) utilizând Vue.js și D3. Când aplicația rulează, poți trage nodurile pe ecran pentru a rearanja datele.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ro.png)
+
+## Proiect: Construiește un grafic pentru a arăta o rețea folosind D3.js
+
+> Acest folder de lecție include un folder `solution` unde poți găsi proiectul complet, pentru referință.
+
+1. Urmează instrucțiunile din fișierul README.md din folderul rădăcină al starterului. Asigură-te că ai NPM și Node.js instalate pe mașina ta înainte de a instala dependențele proiectului.
+
+2. Deschide folderul `starter/src`. Vei descoperi un folder `assets` unde poți găsi un fișier .json cu toate scrisorile din roman, numerotate, cu o adnotare 'to' și 'from'.
+
+3. Completează codul din `components/Nodes.vue` pentru a activa vizualizarea. Caută metoda numită `createLinks()` și adaugă următorul loop imbricat.
+
+Parcurge obiectul .json pentru a captura datele 'to' și 'from' ale scrisorilor și construiește obiectul `links` astfel încât biblioteca de vizualizare să îl poată consuma:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Rulează aplicația din terminal (npm run serve) și bucură-te de vizualizare!
+
+## 🚀 Provocare
+
+Fă un tur al internetului pentru a descoperi vizualizări înșelătoare. Cum păcălește autorul utilizatorul și este intenționat? Încearcă să corectezi vizualizările pentru a arăta cum ar trebui să arate.
+
+## [Chestionar după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Recapitulare & Studiu Individual
+
+Iată câteva articole despre vizualizările de date înșelătoare:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Aruncă o privire la aceste vizualizări interesante pentru active și artefacte istorice:
+
+https://handbook.pubpub.org/
+
+Parcurge acest articol despre cum animația poate îmbunătăți vizualizările:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Temă
+
+[Construiește propria ta vizualizare personalizată](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/3-Data-Visualization/README.md b/translations/ro/3-Data-Visualization/README.md
new file mode 100644
index 00000000..50fa03a4
--- /dev/null
+++ b/translations/ro/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:42:00+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "ro"
+}
+-->
+# Vizualizări
+
+![o albină pe o floare de lavandă](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ro.jpg)  
+> Fotografie de <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> pe <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Vizualizarea datelor este una dintre cele mai importante sarcini ale unui specialist în date. Imaginile valorează cât 1000 de cuvinte, iar o vizualizare te poate ajuta să identifici tot felul de aspecte interesante ale datelor tale, cum ar fi vârfuri, valori extreme, grupări, tendințe și multe altele, care te pot ajuta să înțelegi povestea pe care datele tale încearcă să o spună.
+
+În aceste cinci lecții, vei explora date provenite din natură și vei crea vizualizări interesante și frumoase folosind diverse tehnici.
+
+| Număr Lecție | Subiect | Lecție Linkată | Autor |
+| :-----------: | :-----: | :------------: | :----: |
+| 1. | Vizualizarea cantităților | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Vizualizarea distribuției | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Vizualizarea proporțiilor | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Vizualizarea relațiilor | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Crearea de vizualizări semnificative | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Credite
+
+Aceste lecții despre vizualizări au fost scrise cu 🌸 de [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) și [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Datele despre producția de miere din SUA sunt preluate din proiectul Jessicăi Li pe [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Datele](https://usda.library.cornell.edu/concern/publications/rn301137d) sunt derivate de la [Departamentul de Agricultură al Statelor Unite](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Datele despre ciuperci sunt, de asemenea, preluate de pe [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), revizuite de Hatteras Dunton. Acest set de date include descrieri ale unor mostre ipotetice corespunzătoare celor 23 de specii de ciuperci cu lamele din familiile Agaricus și Lepiota. Ciupercile sunt extrase din The Audubon Society Field Guide to North American Mushrooms (1981). Acest set de date a fost donat către UCI ML 27 în 1987.
+
+🦆 Datele despre păsările din Minnesota provin de pe [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), fiind extrase de pe [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) de Hannah Collins.
+
+Toate aceste seturi de date sunt licențiate sub [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/ro/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..0f8cbcf9
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,120 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:25:24+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "ro"
+}
+-->
+# Introducere în ciclul de viață al științei datelor
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Introducere în ciclul de viață al științei datelor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## [Chestionar înainte de lecție](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+Până în acest moment, probabil ai realizat că știința datelor este un proces. Acest proces poate fi împărțit în 5 etape:
+
+- Capturare
+- Procesare
+- Analiză
+- Comunicare
+- Mentenanță
+
+Această lecție se concentrează pe 3 părți ale ciclului de viață: capturare, procesare și mentenanță.
+
+![Diagrama ciclului de viață al științei datelor](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ro.jpg)  
+> Fotografie de [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Capturare
+
+Prima etapă a ciclului de viață este foarte importantă, deoarece etapele următoare depind de aceasta. Practic, este o combinație a două etape: obținerea datelor și definirea scopului și a problemelor care trebuie abordate.  
+Definirea obiectivelor proiectului va necesita o înțelegere mai profundă a problemei sau întrebării. Mai întâi, trebuie să identificăm și să obținem persoanele care au nevoie ca problema lor să fie rezolvată. Acestea pot fi părți interesate dintr-o afacere sau sponsori ai proiectului, care pot ajuta la identificarea celor care vor beneficia de acest proiect, precum și a motivelor pentru care au nevoie de el. Un obiectiv bine definit ar trebui să fie măsurabil și cuantificabil pentru a defini un rezultat acceptabil.
+
+Întrebări pe care un specialist în știința datelor le-ar putea pune:
+- A fost abordată această problemă înainte? Ce s-a descoperit?
+- Este scopul și obiectivul înțeles de toți cei implicați?
+- Există ambiguități și cum pot fi reduse?
+- Care sunt constrângerile?
+- Cum ar putea arăta rezultatul final?
+- Câte resurse (timp, oameni, computaționale) sunt disponibile?
+
+Următorul pas este identificarea, colectarea și, în final, explorarea datelor necesare pentru a atinge aceste obiective definite. În această etapă de achiziție, specialiștii în știința datelor trebuie, de asemenea, să evalueze cantitatea și calitatea datelor. Acest lucru necesită o explorare a datelor pentru a confirma că ceea ce a fost obținut va sprijini atingerea rezultatului dorit.
+
+Întrebări pe care un specialist în știința datelor le-ar putea pune despre date:
+- Ce date sunt deja disponibile pentru mine?
+- Cine deține aceste date?
+- Care sunt preocupările legate de confidențialitate?
+- Am suficiente date pentru a rezolva această problemă?
+- Sunt datele de o calitate acceptabilă pentru această problemă?
+- Dacă descopăr informații suplimentare prin aceste date, ar trebui să luăm în considerare schimbarea sau redefinirea obiectivelor?
+
+## Procesare
+
+Etapa de procesare a ciclului de viață se concentrează pe descoperirea tiparelor din date, precum și pe modelare. Unele tehnici utilizate în această etapă necesită metode statistice pentru a descoperi tiparele. De obicei, aceasta ar fi o sarcină obositoare pentru un om atunci când lucrează cu un set mare de date, așa că se bazează pe calculatoare pentru a accelera procesul. Această etapă este, de asemenea, punctul în care știința datelor și învățarea automată se intersectează. Așa cum ai învățat în prima lecție, învățarea automată este procesul de construire a modelelor pentru a înțelege datele. Modelele sunt o reprezentare a relației dintre variabilele din date care ajută la prezicerea rezultatelor.
+
+Tehnici comune utilizate în această etapă sunt acoperite în curriculumul ML pentru Începători. Urmează linkurile pentru a afla mai multe despre ele:
+
+- [Clasificare](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organizarea datelor în categorii pentru o utilizare mai eficientă.
+- [Clustering](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Gruparea datelor în grupuri similare.
+- [Regresie](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Determinarea relațiilor dintre variabile pentru a prezice sau prognoza valori.
+
+## Mentenanță
+
+În diagrama ciclului de viață, probabil ai observat că mentenanța se află între capturare și procesare. Mentenanța este un proces continuu de gestionare, stocare și securizare a datelor pe parcursul întregului proiect și ar trebui luată în considerare pe toată durata acestuia.
+
+### Stocarea datelor
+Considerațiile legate de modul și locul în care sunt stocate datele pot influența costul stocării, precum și performanța accesării rapide a datelor. Decizii de acest tip nu sunt, de obicei, luate doar de un specialist în știința datelor, dar acesta poate fi nevoit să facă alegeri legate de modul de lucru cu datele în funcție de modul în care sunt stocate.
+
+Iată câteva aspecte ale sistemelor moderne de stocare a datelor care pot influența aceste alegeri:
+
+**On premise vs off premise vs cloud public sau privat**
+
+On premise se referă la găzduirea și gestionarea datelor pe echipamentele proprii, cum ar fi deținerea unui server cu hard disk-uri care stochează datele, în timp ce off premise se bazează pe echipamente care nu îți aparțin, cum ar fi un centru de date. Cloud-ul public este o alegere populară pentru stocarea datelor care nu necesită cunoștințe despre cum sau unde sunt stocate exact datele, unde public se referă la o infrastructură unificată partajată de toți utilizatorii cloud-ului. Unele organizații au politici stricte de securitate care necesită acces complet la echipamentele unde sunt găzduite datele și vor folosi un cloud privat care oferă propriile servicii cloud. Vei învăța mai multe despre datele în cloud în [lecțiile viitoare](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Date reci vs date fierbinți**
+
+Când îți antrenezi modelele, este posibil să ai nevoie de mai multe date de antrenament. Dacă ești mulțumit de modelul tău, mai multe date vor fi necesare pentru ca modelul să-și îndeplinească scopul. În orice caz, costul stocării și accesării datelor va crește pe măsură ce acumulezi mai multe. Separarea datelor rar utilizate, cunoscute sub numele de date reci, de datele accesate frecvent, cunoscute ca date fierbinți, poate fi o opțiune mai ieftină de stocare a datelor prin hardware sau servicii software. Dacă datele reci trebuie accesate, poate dura puțin mai mult pentru a le recupera în comparație cu datele fierbinți.
+
+### Gestionarea datelor
+Pe măsură ce lucrezi cu date, este posibil să descoperi că unele dintre ele trebuie curățate folosind tehnicile acoperite în lecția despre [pregătirea datelor](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) pentru a construi modele precise. Când sosesc date noi, va fi nevoie de aceleași aplicații pentru a menține consistența calității. Unele proiecte vor implica utilizarea unui instrument automatizat pentru curățare, agregare și compresie înainte ca datele să fie mutate în locația lor finală. Azure Data Factory este un exemplu de astfel de instrument.
+
+### Securizarea datelor
+Unul dintre obiectivele principale ale securizării datelor este asigurarea că cei care lucrează cu ele controlează ceea ce este colectat și în ce context este utilizat. Menținerea securității datelor implică limitarea accesului doar la cei care au nevoie de ele, respectarea legilor și reglementărilor locale, precum și menținerea standardelor etice, așa cum este acoperit în [lecția despre etică](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Iată câteva lucruri pe care o echipă le poate face având în vedere securitatea:
+- Confirmarea că toate datele sunt criptate
+- Oferirea de informații clienților despre modul în care sunt utilizate datele lor
+- Eliminarea accesului la date pentru cei care au părăsit proiectul
+- Permisiunea doar anumitor membri ai proiectului să modifice datele
+
+## 🚀 Provocare
+
+Există multe versiuni ale ciclului de viață al științei datelor, unde fiecare pas poate avea denumiri și un număr diferit de etape, dar va conține aceleași procese menționate în această lecție.
+
+Explorează [ciclul de viață al procesului de echipă pentru știința datelor](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) și [standardul industrial pentru procesul de extragere a datelor](https://www.datascience-pm.com/crisp-dm-2/). Numește 3 asemănări și diferențe între cele două.
+
+|Procesul de echipă pentru știința datelor (TDSP)|Standardul industrial pentru procesul de extragere a datelor (CRISP-DM)|
+|--|--|
+|![Ciclul de viață al echipei pentru știința datelor](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ro.png) | ![Imaginea procesului CRISP-DM](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ro.png) |
+| Imagine de [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Imagine de [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Chestionar după lecție](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Recapitulare și studiu individual
+
+Aplicarea ciclului de viață al științei datelor implică mai multe roluri și sarcini, unde unii se pot concentra pe anumite părți ale fiecărei etape. Procesul de echipă pentru știința datelor oferă câteva resurse care explică tipurile de roluri și sarcini pe care cineva le poate avea într-un proiect.
+
+* [Roluri și sarcini în procesul de echipă pentru știința datelor](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
+* [Executarea sarcinilor de știința datelor: explorare, modelare și implementare](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Temă
+
+[Evaluarea unui set de date](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/ro/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..3d4bf163
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:28:21+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Evaluarea unui set de date
+
+Un client a contactat echipa ta pentru ajutor în investigarea obiceiurilor sezoniere de cheltuieli ale clienților de taxi din New York City.
+
+Ei vor să știe: **Pasagerii taxiurilor galbene din New York City oferă bacșișuri mai mari șoferilor iarna sau vara?**
+
+Echipa ta se află în etapa de [Capturare](Readme.md#Capturing) a ciclului de viață al științei datelor, iar tu ești responsabil de gestionarea setului de date. Ți s-a pus la dispoziție un notebook și [date](../../../../data/taxi.csv) pentru explorare.
+
+În acest director se află un [notebook](notebook.ipynb) care folosește Python pentru a încărca date despre cursele taxiurilor galbene de la [Comisia de Taxiuri și Limuzine din NYC](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets).  
+De asemenea, poți deschide fișierul de date despre taxiuri într-un editor de text sau într-un software de calcul tabelar, cum ar fi Excel.
+
+## Instrucțiuni
+
+- Evaluează dacă datele din acest set de date pot ajuta la răspunsul întrebării.
+- Explorează catalogul [NYC Open Data](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identifică un set de date suplimentar care ar putea fi util pentru a răspunde la întrebarea clientului.
+- Scrie 3 întrebări pe care le-ai adresa clientului pentru clarificări suplimentare și o mai bună înțelegere a problemei.
+
+Consultă [dicționarul setului de date](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) și [ghidul utilizatorului](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pentru mai multe informații despre date.
+
+## Criterii de evaluare
+
+Exemplar | Adequat | Necesită îmbunătățiri  
+--- | --- | ---  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original, în limba sa natală, ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/ro/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..57a5eaaf
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,61 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:30:16+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "ro"
+}
+-->
+# Ciclul de viață al științei datelor: Analiza
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Ciclul de viață al științei datelor: Analiza - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## Chestionar înainte de curs
+
+## [Chestionar înainte de curs](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Analiza în cadrul ciclului de viață al datelor confirmă dacă datele pot răspunde la întrebările propuse sau pot rezolva o anumită problemă. Acest pas se concentrează, de asemenea, pe verificarea dacă un model abordează corect aceste întrebări și probleme. Această lecție este axată pe Analiza Exploratorie a Datelor (Exploratory Data Analysis sau EDA), care include tehnici pentru definirea caracteristicilor și relațiilor din cadrul datelor și poate fi utilizată pentru pregătirea datelor pentru modelare.
+
+Vom folosi un set de date exemplu de pe [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) pentru a arăta cum poate fi aplicat acest lucru folosind Python și biblioteca Pandas. Acest set de date conține un număr de cuvinte comune găsite în e-mailuri, sursele acestor e-mailuri fiind anonime. Folosiți [notebook-ul](notebook.ipynb) din acest director pentru a urmări.
+
+## Analiza Exploratorie a Datelor
+
+Faza de captare a ciclului de viață este locul unde sunt obținute datele, precum și problemele și întrebările asociate, dar cum știm dacă datele pot sprijini rezultatul final? 
+Reamintiți-vă că un specialist în știința datelor poate pune următoarele întrebări atunci când obține datele:
+-   Am suficiente date pentru a rezolva această problemă?
+-   Datele sunt de o calitate acceptabilă pentru această problemă?
+-   Dacă descopăr informații suplimentare prin aceste date, ar trebui să luăm în considerare schimbarea sau redefinirea obiectivelor?
+
+Analiza Exploratorie a Datelor este procesul de a cunoaște datele și poate fi utilizată pentru a răspunde la aceste întrebări, precum și pentru a identifica provocările lucrului cu setul de date. Să ne concentrăm pe câteva dintre tehnicile utilizate pentru a realiza acest lucru.
+
+## Profilarea Datelor, Statistici Descriptive și Pandas
+Cum evaluăm dacă avem suficiente date pentru a rezolva această problemă? Profilarea datelor poate rezuma și aduna câteva informații generale despre setul nostru de date prin tehnici de statistici descriptive. Profilarea datelor ne ajută să înțelegem ce este disponibil pentru noi, iar statisticile descriptive ne ajută să înțelegem câte lucruri sunt disponibile.
+
+În câteva lecții anterioare, am folosit Pandas pentru a oferi câteva statistici descriptive cu funcția [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Aceasta oferă numărul de valori, valorile maxime și minime, media, deviația standard și cuantilele pentru datele numerice. Utilizarea statisticilor descriptive, cum ar fi funcția `describe()`, vă poate ajuta să evaluați cât de multe date aveți și dacă aveți nevoie de mai multe.
+
+## Eșantionare și Interogare
+Explorarea întregului set de date mare poate fi foarte consumatoare de timp și este, de obicei, o sarcină lăsată în seama unui computer. Totuși, eșantionarea este un instrument util pentru înțelegerea datelor și ne permite să avem o mai bună înțelegere a ceea ce conține setul de date și ce reprezintă. Cu un eșantion, puteți aplica probabilități și statistici pentru a ajunge la concluzii generale despre datele dvs. Deși nu există o regulă definită despre cât de multe date ar trebui să eșantionați, este important de menționat că, cu cât eșantionați mai multe date, cu atât generalizarea pe care o faceți va fi mai precisă.
+
+Pandas are funcția [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) în biblioteca sa, unde puteți specifica câte eșantioane aleatorii doriți să primiți și să utilizați.
+
+Interogarea generală a datelor vă poate ajuta să răspundeți la întrebări generale și teorii pe care le aveți. Spre deosebire de eșantionare, interogările vă permit să aveți control și să vă concentrați pe anumite părți ale datelor despre care aveți întrebări. Funcția [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) din biblioteca Pandas vă permite să selectați coloane și să primiți răspunsuri simple despre datele prin rândurile obținute.
+
+## Explorarea prin Vizualizări
+Nu trebuie să așteptați până când datele sunt complet curățate și analizate pentru a începe să creați vizualizări. De fapt, având o reprezentare vizuală în timpul explorării poate ajuta la identificarea tiparelor, relațiilor și problemelor din date. Mai mult, vizualizările oferă un mijloc de comunicare cu cei care nu sunt implicați în gestionarea datelor și pot fi o oportunitate de a împărtăși și clarifica întrebări suplimentare care nu au fost abordate în etapa de captare. Consultați [secțiunea despre Vizualizări](../../../../../../../../../3-Data-Visualization) pentru a afla mai multe despre câteva modalități populare de explorare vizuală.
+
+## Explorarea pentru identificarea inconsistențelor
+Toate subiectele din această lecție pot ajuta la identificarea valorilor lipsă sau inconsistente, dar Pandas oferă funcții pentru a verifica unele dintre acestea. [isna() sau isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) pot verifica valorile lipsă. Un aspect important al explorării acestor valori în cadrul datelor dvs. este să explorați de ce au ajuns în această situație. Acest lucru vă poate ajuta să decideți ce [acțiuni să luați pentru a le rezolva](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Chestionar înainte de curs](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Temă
+
+[Explorarea pentru răspunsuri](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa maternă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/ro/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..66bed814
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:32:03+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Explorarea răspunsurilor
+
+Aceasta este o continuare a [temei](../14-Introduction/assignment.md) din lecția anterioară, unde am analizat pe scurt setul de date. Acum vom analiza mai în detaliu datele.
+
+Încă o dată, întrebarea pe care clientul dorește să o afle este: **Pasagerii taxiurilor galbene din New York City oferă bacșișuri mai mari șoferilor în timpul iernii sau al verii?**
+
+Echipa ta se află în etapa de [Analiză](README.md) a ciclului de viață al științei datelor, unde sunteți responsabili de efectuarea analizei exploratorii a datelor pe setul de date. Vi s-a pus la dispoziție un notebook și un set de date care conține 200 de tranzacții de taxi din ianuarie și iulie 2019.
+
+## Instrucțiuni
+
+În acest director se află un [notebook](assignment.ipynb) și date de la [Comisia pentru Taxiuri și Limuzine](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Consultați [dicționarul setului de date](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) și [ghidul utilizatorului](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pentru mai multe informații despre date.
+
+Folosiți câteva dintre tehnicile din această lecție pentru a realiza propria analiză exploratorie a datelor în notebook (adăugați celule dacă doriți) și răspundeți la următoarele întrebări:
+
+- Ce alți factori din date ar putea influența suma bacșișului?
+- Ce coloane cel mai probabil nu vor fi necesare pentru a răspunde la întrebările clientului?
+- Pe baza a ceea ce a fost furnizat până acum, datele par să ofere vreo dovadă a unui comportament sezonier în ceea ce privește bacșișurile?
+
+## Rubrică
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | --- |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/16-communication/README.md b/translations/ro/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..9275b165
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,222 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:37:32+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "ro"
+}
+-->
+# Ciclu de viață al științei datelor: Comunicarea
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Ciclu de viață al științei datelor: Comunicarea - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Testează-ți cunoștințele despre ceea ce urmează cu chestionarul de mai sus!
+
+# Introducere
+
+### Ce este comunicarea?
+Să începem această lecție prin a defini ce înseamnă să comunici. **A comunica înseamnă a transmite sau a schimba informații.** Informațiile pot fi idei, gânduri, sentimente, mesaje, semnale ascunse, date – orice pe care un **_expeditor_** (cineva care trimite informații) dorește ca un **_destinatar_** (cineva care primește informații) să le înțeleagă. În această lecție, ne vom referi la expeditori ca fiind comunicatori, iar la destinatari ca fiind publicul.
+
+### Comunicarea datelor și povestirea
+Înțelegem că atunci când comunicăm, scopul este să transmitem sau să schimbăm informații. Dar când comunicăm date, scopul nu ar trebui să fie doar să transmitem cifre publicului. Scopul ar trebui să fie să comunicăm o poveste informată de datele noastre – comunicarea eficientă a datelor și povestirea merg mână în mână. Publicul tău este mult mai probabil să-și amintească o poveste pe care o spui, decât o cifră pe care o oferi. Mai târziu în această lecție, vom discuta câteva modalități prin care poți folosi povestirea pentru a comunica datele mai eficient.
+
+### Tipuri de comunicare
+Pe parcursul acestei lecții, vor fi discutate două tipuri diferite de comunicare: comunicarea unidirecțională și comunicarea bidirecțională.
+
+**Comunicarea unidirecțională** are loc atunci când un expeditor trimite informații unui destinatar, fără niciun feedback sau răspuns. Vedem exemple de comunicare unidirecțională în fiecare zi – în e-mailuri de masă, când știrile prezintă cele mai recente povești sau chiar când apare o reclamă TV și te informează de ce produsul lor este grozav. În fiecare dintre aceste cazuri, expeditorul nu caută un schimb de informații. Ei doar doresc să transmită sau să livreze informații.
+
+**Comunicarea bidirecțională** are loc atunci când toate părțile implicate acționează atât ca expeditori, cât și ca destinatari. Un expeditor va începe prin a comunica unui destinatar, iar destinatarul va oferi feedback sau un răspuns. Comunicarea bidirecțională este ceea ce ne gândim în mod tradițional când vorbim despre comunicare. De obicei, ne gândim la oameni angajați într-o conversație – fie în persoană, fie printr-un apel telefonic, pe rețelele sociale sau printr-un mesaj text.
+
+Când comunici date, vor exista cazuri în care vei folosi comunicarea unidirecțională (gândește-te la prezentări la o conferință sau unui grup mare unde nu se vor pune întrebări imediat după) și cazuri în care vei folosi comunicarea bidirecțională (gândește-te la utilizarea datelor pentru a convinge câțiva factori de decizie să susțină o idee sau pentru a convinge un coleg că merită să investească timp și efort în construirea unui lucru nou).
+
+# Comunicarea eficientă
+
+### Responsabilitățile tale ca comunicator
+Când comunici, este responsabilitatea ta să te asiguri că destinatarul(i) înțelege informațiile pe care vrei să le transmită. Când comunici date, nu vrei doar ca destinatarii să rețină cifre, ci vrei ca aceștia să rețină o poveste informată de datele tale. Un bun comunicator de date este un bun povestitor.
+
+Cum spui o poveste cu date? Există infinite modalități – dar mai jos sunt 6 pe care le vom discuta în această lecție.
+1.	Înțelege-ți publicul, canalul și metoda de comunicare
+2.	Începe cu sfârșitul în minte
+3.	Abordează comunicarea ca pe o poveste reală
+4.	Folosește cuvinte și expresii semnificative
+5.	Folosește emoția
+
+Fiecare dintre aceste strategii este explicată mai detaliat mai jos.
+
+### 1. Înțelege-ți publicul, canalul și metoda de comunicare
+Modul în care comunici cu membrii familiei este probabil diferit de modul în care comunici cu prietenii. Probabil folosești cuvinte și expresii diferite pe care persoanele cu care vorbești sunt mai susceptibile să le înțeleagă. Ar trebui să adopți aceeași abordare atunci când comunici date. Gândește-te la cine comunici. Gândește-te la obiectivele lor și la contextul pe care îl au în legătură cu situația pe care le-o explici.
+
+Probabil poți grupa majoritatea publicului tău într-o categorie. Într-un articol din _Harvard Business Review_, “[Cum să spui o poveste cu date](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)”, strategul executiv Dell, Jim Stikeleather, identifică cinci categorii de public.
+
+ - **Novice**: prima expunere la subiect, dar nu dorește o simplificare excesivă
+ - **Generalist**: conștient de subiect, dar caută o înțelegere generală și teme majore
+ - **Managerial**: înțelegere detaliată, acționabilă a complexităților și interrelațiilor, cu acces la detalii
+ - **Expert**: mai multă explorare și descoperire și mai puțină povestire, cu detalii extinse
+ - **Executiv**: are timp doar să înțeleagă semnificația și concluziile probabilităților ponderate
+
+Aceste categorii pot informa modul în care prezinți datele publicului tău.
+
+Pe lângă faptul că te gândești la categoria publicului tău, ar trebui să iei în considerare și canalul pe care îl folosești pentru a comunica cu publicul tău. Abordarea ta ar trebui să fie ușor diferită dacă scrii un memo sau un e-mail față de a avea o întâlnire sau a prezenta la o conferință.
+
+Pe lângă înțelegerea publicului tău, este esențial să știi cum vei comunica cu el (folosind comunicarea unidirecțională sau bidirecțională).
+
+Dacă comunici cu un public majoritar novice și folosești comunicarea unidirecțională, trebuie mai întâi să educi publicul și să-i oferi contextul adecvat. Apoi trebuie să le prezinți datele și să le spui ce înseamnă datele tale și de ce contează. În acest caz, poate fi necesar să te concentrezi pe claritate, deoarece publicul tău nu va putea să-ți pună întrebări directe.
+
+Dacă comunici cu un public majoritar managerial și folosești comunicarea bidirecțională, probabil nu va fi nevoie să educi publicul sau să-i oferi prea mult context. Poți să treci direct la discutarea datelor pe care le-ai colectat și de ce contează. În acest scenariu, totuși, ar trebui să te concentrezi pe gestionarea timpului și controlul prezentării. Când folosești comunicarea bidirecțională (mai ales cu un public managerial care caută o „înțelegere acționabilă a complexităților și interrelațiilor, cu acces la detalii”), pot apărea întrebări în timpul interacțiunii care pot duce discuția într-o direcție care nu are legătură cu povestea pe care încerci să o spui. Când se întâmplă acest lucru, poți lua măsuri pentru a readuce discuția pe drumul cel bun cu povestea ta.
+
+### 2. Începe cu sfârșitul în minte
+A începe cu sfârșitul în minte înseamnă să înțelegi ce vrei ca publicul tău să rețină înainte de a începe să comunici cu el. A fi atent la ceea ce vrei ca publicul tău să rețină din timp te poate ajuta să construiești o poveste pe care publicul tău o poate urmări. A începe cu sfârșitul în minte este potrivit atât pentru comunicarea unidirecțională, cât și pentru cea bidirecțională.
+
+Cum începi cu sfârșitul în minte? Înainte de a comunica datele tale, notează-ți concluziile cheie. Apoi, la fiecare pas în timp ce pregătești povestea pe care vrei să o spui cu datele tale, întreabă-te: „Cum se integrează acest lucru în povestea pe care o spun?”
+
+Fii atent – Deși a începe cu sfârșitul în minte este ideal, nu vrei să comunici doar datele care susțin concluziile tale intenționate. Acest lucru se numește selecție preferențială, care are loc atunci când un comunicator comunică doar datele care susțin punctul pe care încearcă să-l facă și ignoră toate celelalte date.
+
+Dacă toate datele pe care le-ai colectat susțin clar concluziile tale intenționate, grozav. Dar dacă există date pe care le-ai colectat care nu susțin concluziile tale sau chiar susțin un argument împotriva concluziilor tale cheie, ar trebui să comunici și acele date. Dacă acest lucru se întâmplă, fii sincer cu publicul tău și explică de ce alegi să rămâi la povestea ta, chiar dacă toate datele nu o susțin neapărat.
+
+### 3. Abordează comunicarea ca pe o poveste reală
+O poveste tradițională se desfășoară în 5 faze. Poate ai auzit aceste faze exprimate ca Expozitie, Acțiune Ascendentă, Climax, Acțiune Descendentă și Deznodământ. Sau mai simplu de reținut: Context, Conflict, Climax, Încheiere, Concluzie. Când comunici datele și povestea ta, poți adopta o abordare similară.
+
+Poți începe cu contextul, să setezi scena și să te asiguri că publicul tău este pe aceeași pagină. Apoi introduci conflictul. De ce a fost nevoie să colectezi aceste date? Ce probleme încercai să rezolvi? După aceea, climaxul. Care sunt datele? Ce înseamnă datele? Ce soluții ne spun datele că trebuie să adoptăm? Apoi ajungi la încheiere, unde poți reitera problema și soluțiile propuse. În cele din urmă, ajungem la concluzie, unde poți rezuma concluziile cheie și pașii următori pe care îi recomanzi echipei să-i urmeze.
+
+### 4. Folosește cuvinte și expresii semnificative
+Dacă lucrăm împreună la un produs și îți spun „Utilizatorii noștri petrec mult timp pentru a se înregistra pe platforma noastră,” cât de mult timp ai estima că „mult timp” înseamnă? O oră? O săptămână? Este greu de știut. Ce se întâmplă dacă spun asta unui întreg public? Fiecare persoană din public ar putea ajunge la o idee diferită despre cât de mult timp petrec utilizatorii pentru a se înregistra pe platforma noastră.
+
+În schimb, ce-ar fi dacă aș spune „Utilizatorii noștri petrec, în medie, 3 minute pentru a se înregistra și a se familiariza cu platforma noastră.”
+
+Această formulare este mai clară. Când comunici date, poate fi ușor să crezi că toată lumea din publicul tău gândește la fel ca tine. Dar acest lucru nu este întotdeauna cazul. Claritatea în jurul datelor tale și a ceea ce înseamnă este una dintre responsabilitățile tale ca comunicator. Dacă datele sau povestea ta nu sunt clare, publicul tău va avea dificultăți în a urmări și este mai puțin probabil să înțeleagă concluziile tale cheie.
+
+Poți comunica datele mai clar atunci când folosești cuvinte și expresii semnificative, în loc de unele vagi. Mai jos sunt câteva exemple.
+
+ - Am avut un an *impresionant*!
+	 - O persoană ar putea crede că „impresionant” înseamnă o creștere de 2% - 3% a veniturilor, iar alta ar putea crede că înseamnă o creștere de 50% - 60%.
+ - Ratele de succes ale utilizatorilor noștri au crescut *dramatic*.
+	 - Cât de mare este o creștere dramatică?
+ - Acest proiect va necesita un efort *semnificativ*.
+	 - Cât de mult efort este „semnificativ”?
+
+Folosirea cuvintelor vagi ar putea fi utilă ca introducere pentru mai multe date care urmează sau ca un rezumat al poveștii pe care tocmai ai spus-o. Dar ia în considerare să te asiguri că fiecare parte a prezentării tale este clară pentru publicul tău.
+
+### 5. Folosește emoția
+Emoția este esențială în povestire. Este și mai importantă atunci când spui o poveste cu date. Când comunici date, totul se concentrează pe concluziile pe care vrei ca publicul tău să le aibă. Când provoci o emoție în public, îi ajuți să empatizeze și îi faci mai predispuși să acționeze. Emoția crește, de asemenea, probabilitatea ca publicul să-și amintească mesajul tău.
+
+Probabil ai întâlnit acest lucru înainte în reclame TV. Unele reclame sunt foarte solemne și folosesc o emoție tristă pentru a se conecta cu publicul și pentru a face datele pe care le prezintă să iasă în evidență. Sau, unele reclame sunt foarte optimiste și fericite, făcându-te să asociezi datele lor cu un sentiment de bucurie.
+
+Cum folosești emoția atunci când comunici date? Mai jos sunt câteva modalități.
+
+ - Folosește mărturii și povești personale
+	 - Când colectezi date, încearcă să colectezi atât date cantitative, cât și calitative și integrează ambele tipuri de date atunci când comunici. Dacă datele tale sunt în principal cantitative, caută povești de la indivizi pentru a afla mai multe despre experiența lor cu ceea ce îți spun datele.
+ - Folosește imagini
+	 - Imaginile ajută publicul să se vadă într-o situație. Când folosești imagini, poți orienta publicul spre emoția pe care consideri că ar trebui să o aibă despre datele tale.
+ - Folosește culori
+	 - Culorile diferite provoacă emoții diferite. Culorile populare și emoțiile pe care le provoacă sunt mai jos. Fii atent, culorile pot avea semnificații diferite în diferite culturi.
+		 - Albastrul evocă de obicei emoții de pace și încredere
+		 - Verdele este de obicei asociat cu natura și mediul
+		 - Roșul este de obicei pasiune și entuziasm
+		 - Galbenul este de obicei optimism și fericire
+
+# Studiu de caz: Comunicarea
+Emerson este manager de produs pentru o aplicație mobilă. Emerson a observat că clienții trimit cu 42% mai multe plângeri și rapoarte de erori în weekend. Emerson a mai observat că clienții care trimit o plângere care rămâne fără răspuns după 48 de ore sunt cu 32% mai predispuși să acorde aplicației o evaluare de 1 sau 2 în magazinul de aplicații.
+
+După ce a făcut cercetări, Emerson are câteva soluții care vor aborda problema. Emerson organizează o întâlnire de 30 de minute cu cei 3 lideri ai companiei pentru a comunica datele și soluțiile propuse.
+
+În timpul acestei întâlniri, obiectivul lui Emerson este ca liderii companiei să înțeleagă că cele 2 soluții de mai jos pot îmbunătăți evaluarea aplicației, ceea ce probabil se va traduce în venituri mai mari.
+
+**Soluția 1.** Angajarea de reprezentanți de servicii pentru clienți care să lucreze în weekend
+
+**Soluția 2.** Achiziționarea unui nou sistem de gestionare a tichetelor de servicii pentru clienți, unde reprezentanții pot identifica cu ușurință care plângeri au fost în coadă cel mai mult – astfel încât să știe pe care să le abordeze cu prioritate.
+În cadrul întâlnirii, Emerson petrece 5 minute explicând de ce o evaluare scăzută în magazinul de aplicații este problematică, 10 minute explicând procesul de cercetare și modul în care au fost identificate tendințele, 10 minute trecând prin unele dintre plângerile recente ale clienților și ultimele 5 minute trecând rapid peste cele 2 soluții potențiale.
+
+A fost aceasta o modalitate eficientă pentru Emerson de a comunica în timpul întâlnirii?
+
+În timpul întâlnirii, un lider al companiei s-a concentrat pe cele 10 minute de plângeri ale clienților pe care Emerson le-a prezentat. După întâlnire, aceste plângeri au fost singurul lucru pe care acest lider de echipă și-l amintea. Un alt lider al companiei s-a concentrat în principal pe descrierea procesului de cercetare de către Emerson. Al treilea lider al companiei și-a amintit soluțiile propuse de Emerson, dar nu era sigur cum ar putea fi implementate aceste soluții.
+
+În situația de mai sus, se poate observa că a existat un decalaj semnificativ între ceea ce Emerson dorea ca liderii echipei să rețină și ceea ce aceștia au reținut în final din întâlnire. Mai jos este prezentată o altă abordare pe care Emerson ar putea să o ia în considerare.
+
+Cum ar putea Emerson să îmbunătățească această abordare?  
+Context, Conflict, Climax, Closure, Conclusion  
+**Context** - Emerson ar putea petrece primele 5 minute introducând întreaga situație și asigurându-se că liderii echipei înțeleg cum problemele afectează metrici critici pentru companie, cum ar fi veniturile.
+
+Ar putea fi prezentat astfel: „În prezent, evaluarea aplicației noastre în magazinul de aplicații este de 2.5. Evaluările din magazinul de aplicații sunt esențiale pentru Optimizarea Magazinului de Aplicații, care influențează câți utilizatori văd aplicația noastră în căutări și cum este percepută aplicația de către utilizatorii potențiali. Și, bineînțeles, numărul de utilizatori pe care îi avem este direct legat de venituri.”
+
+**Conflict** Emerson ar putea apoi să vorbească timp de aproximativ 5 minute despre conflict.
+
+Ar putea fi prezentat astfel: „Utilizatorii trimit cu 42% mai multe plângeri și rapoarte de erori în weekenduri. Clienții care trimit o plângere care rămâne fără răspuns după 48 de ore sunt cu 32% mai puțin predispuși să ofere aplicației noastre o evaluare mai mare de 2 în magazinul de aplicații. Îmbunătățirea evaluării aplicației noastre în magazinul de aplicații la 4 ar crește vizibilitatea noastră cu 20-30%, ceea ce estimez că ar crește veniturile cu 10%.” Desigur, Emerson ar trebui să fie pregătit să justifice aceste cifre.
+
+**Climax** După ce a stabilit contextul, Emerson ar putea trece la Climax pentru aproximativ 5 minute.
+
+Emerson ar putea introduce soluțiile propuse, să explice cum aceste soluții vor aborda problemele prezentate, cum ar putea fi implementate în fluxurile de lucru existente, cât costă soluțiile, care ar fi ROI-ul soluțiilor și poate chiar să prezinte capturi de ecran sau wireframe-uri despre cum ar arăta soluțiile dacă ar fi implementate. Emerson ar putea, de asemenea, să împărtășească mărturii de la utilizatori ale căror plângeri au fost adresate după mai mult de 48 de ore, și chiar o mărturie de la un reprezentant actual al serviciului pentru clienți din cadrul companiei, care are comentarii despre sistemul actual de ticketing.
+
+**Closure** Acum Emerson poate petrece 5 minute reiterând problemele cu care se confruntă compania, revizitând soluțiile propuse și revizuind de ce aceste soluții sunt cele potrivite.
+
+**Conclusion** Deoarece aceasta este o întâlnire cu câțiva factori de decizie în care se va folosi comunicarea bidirecțională, Emerson ar putea planifica să lase 10 minute pentru întrebări, pentru a se asigura că orice lucru confuz pentru liderii echipei poate fi clarificat înainte de încheierea întâlnirii.
+
+Dacă Emerson ar adopta abordarea #2, este mult mai probabil ca liderii echipei să rețină din întâlnire exact ceea ce Emerson intenționa ca ei să rețină – că modul în care sunt gestionate plângerile și erorile ar putea fi îmbunătățit și că există 2 soluții care ar putea fi implementate pentru a face această îmbunătățire să se întâmple. Această abordare ar fi mult mai eficientă pentru a comunica datele și povestea pe care Emerson dorește să o transmită.
+
+# Concluzie  
+### Rezumatul punctelor principale  
+- A comunica înseamnă a transmite sau a schimba informații.  
+- Când comunici date, scopul tău nu ar trebui să fie doar să transmiți cifre publicului tău. Scopul tău ar trebui să fie să comunici o poveste informată de datele tale.  
+- Există 2 tipuri de comunicare: Comunicarea Unidirecțională (informația este comunicată fără intenția unui răspuns) și Comunicarea Bidirecțională (informația este comunicată în ambele sensuri).  
+- Există multe strategii pe care le poți folosi pentru a spune o poveste cu datele tale, 5 strategii pe care le-am discutat sunt:  
+  - Înțelege Publicul Tău, Mediul Tău și Metoda Ta de Comunicare  
+  - Începe cu Sfârșitul în Minte  
+  - Abordează-o ca pe o Poveste Reală  
+  - Folosește Cuvinte și Expresii Semnificative  
+  - Folosește Emoția  
+
+### Resurse Recomandate pentru Studiu Individual  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Revizuiește ceea ce ai învățat cu testul de mai sus!  
+
+## Temă  
+
+[Market Research](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/ro/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..23af6e10
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:40:27+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Spune o poveste
+
+## Instrucțiuni
+
+Știința datelor înseamnă să spui povești. Alege orice set de date și scrie un scurt articol despre o poveste pe care ai putea să o spui despre acesta. Ce speri să dezvăluie setul tău de date? Ce vei face dacă dezvăluirile sale se dovedesc a fi problematice? Ce se întâmplă dacă datele tale nu își dezvăluie ușor secretele? Gândește-te la scenariile pe care setul tău de date le-ar putea prezenta și notează-le.
+
+## Criterii de evaluare
+
+Exemplar | Adecvat | Necesită îmbunătățiri
+--- | --- | -- |
+
+Un eseu de o pagină este prezentat în format .doc, cu setul de date explicat, documentat, creditat, și o poveste coerentă este prezentată despre acesta, cu exemple detaliate din date.| Un eseu mai scurt este prezentat într-un format mai puțin detaliat | Eseul este deficitar în unul dintre detaliile de mai sus.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/4-Data-Science-Lifecycle/README.md b/translations/ro/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..45627644
--- /dev/null
+++ b/translations/ro/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:21:06+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "ro"
+}
+-->
+# Ciclu de Viață în Știința Datelor
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ro.jpg)
+> Fotografie de <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> pe <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+În aceste lecții, vei explora câteva aspecte ale ciclului de viață în Știința Datelor, inclusiv analiza și comunicarea legate de date.
+
+### Subiecte
+
+1. [Introducere](14-Introduction/README.md)
+2. [Analiză](15-analyzing/README.md)
+3. [Comunicare](16-communication/README.md)
+
+### Credite
+
+Aceste lecții au fost scrise cu ❤️ de [Jalen McGee](https://twitter.com/JalenMCG) și [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși depunem eforturi pentru a asigura acuratețea, vă rugăm să aveți în vedere că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/ro/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..c6728b7d
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,113 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:07:51+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "ro"
+}
+-->
+# Introducere în Știința Datelor în Cloud
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Știința Datelor în Cloud: Introducere - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+În această lecție, vei învăța principiile fundamentale ale Cloud-ului, vei descoperi de ce poate fi interesant să folosești servicii Cloud pentru a-ți desfășura proiectele de știința datelor și vom analiza câteva exemple de proiecte de știința datelor realizate în Cloud.
+
+## [Chestionar Pre-Lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Ce este Cloud-ul?
+
+Cloud-ul, sau Cloud Computing, reprezintă livrarea unei game largi de servicii de calcul pe bază de plată pe măsură ce le folosești, găzduite pe o infrastructură prin internet. Serviciile includ soluții precum stocare, baze de date, rețele, software, analitică și servicii inteligente.
+
+De obicei, diferențiem între Cloud Public, Privat și Hibrid astfel:
+
+* Cloud public: un cloud public este deținut și operat de un furnizor terț de servicii cloud care livrează resursele sale de calcul prin Internet către public.
+* Cloud privat: se referă la resursele de calcul utilizate exclusiv de o singură companie sau organizație, cu servicii și o infrastructură menținute pe o rețea privată.
+* Cloud hibrid: cloud-ul hibrid este un sistem care combină cloud-urile publice și private. Utilizatorii optează pentru un centru de date local, permițând în același timp rularea datelor și aplicațiilor pe unul sau mai multe cloud-uri publice.
+
+Majoritatea serviciilor de cloud computing se încadrează în trei categorii: Infrastructură ca Serviciu (IaaS), Platformă ca Serviciu (PaaS) și Software ca Serviciu (SaaS).
+
+* Infrastructură ca Serviciu (IaaS): utilizatorii închiriază o infrastructură IT, cum ar fi servere și mașini virtuale (VM-uri), stocare, rețele, sisteme de operare.
+* Platformă ca Serviciu (PaaS): utilizatorii închiriază un mediu pentru dezvoltarea, testarea, livrarea și gestionarea aplicațiilor software. Utilizatorii nu trebuie să se preocupe de configurarea sau gestionarea infrastructurii de bază, cum ar fi serverele, stocarea, rețelele și bazele de date necesare pentru dezvoltare.
+* Software ca Serviciu (SaaS): utilizatorii au acces la aplicații software prin Internet, la cerere și, de obicei, pe bază de abonament. Utilizatorii nu trebuie să se preocupe de găzduirea și gestionarea aplicației software, a infrastructurii de bază sau a întreținerii, cum ar fi actualizările software și patch-urile de securitate.
+
+Unii dintre cei mai mari furnizori de Cloud sunt Amazon Web Services, Google Cloud Platform și Microsoft Azure.
+
+## De ce să alegi Cloud-ul pentru Știința Datelor?
+
+Dezvoltatorii și profesioniștii IT aleg să lucreze cu Cloud-ul din mai multe motive, inclusiv următoarele:
+
+* Inovație: poți alimenta aplicațiile tale prin integrarea serviciilor inovatoare create de furnizorii de Cloud direct în aplicațiile tale.
+* Flexibilitate: plătești doar pentru serviciile de care ai nevoie și poți alege dintr-o gamă largă de servicii. De obicei, plătești pe măsură ce folosești și îți adaptezi serviciile în funcție de nevoile tale în continuă evoluție.
+* Buget: nu trebuie să faci investiții inițiale pentru a achiziționa hardware și software, a configura și a opera centre de date locale, ci plătești doar pentru ceea ce folosești.
+* Scalabilitate: resursele tale pot fi scalate în funcție de nevoile proiectului, ceea ce înseamnă că aplicațiile tale pot folosi mai multă sau mai puțină putere de calcul, stocare și lățime de bandă, adaptându-se la factori externi în orice moment.
+* Productivitate: te poți concentra pe afacerea ta în loc să pierzi timp cu sarcini care pot fi gestionate de altcineva, cum ar fi gestionarea centrelor de date.
+* Fiabilitate: Cloud Computing oferă mai multe modalități de a face backup continuu pentru datele tale și poți configura planuri de recuperare în caz de dezastru pentru a-ți menține afacerea și serviciile funcționale, chiar și în perioade de criză.
+* Securitate: poți beneficia de politici, tehnologii și controale care îți întăresc securitatea proiectului.
+
+Acestea sunt câteva dintre cele mai comune motive pentru care oamenii aleg să folosească servicii Cloud. Acum că avem o înțelegere mai bună a ceea ce este Cloud-ul și care sunt principalele sale beneficii, să analizăm mai specific activitatea oamenilor de știința datelor și a dezvoltatorilor care lucrează cu date și cum îi poate ajuta Cloud-ul să depășească diverse provocări:
+
+* Stocarea unor cantități mari de date: în loc să cumperi, să gestionezi și să protejezi servere mari, poți stoca datele direct în cloud, cu soluții precum Azure Cosmos DB, Azure SQL Database și Azure Data Lake Storage.
+* Integrarea datelor: integrarea datelor este o parte esențială a științei datelor, care îți permite să faci tranziția de la colectarea datelor la luarea de măsuri. Cu serviciile de integrare a datelor oferite în cloud, poți colecta, transforma și integra date din diverse surse într-un singur depozit de date, cu Data Factory.
+* Procesarea datelor: procesarea unor cantități mari de date necesită multă putere de calcul, iar nu toată lumea are acces la mașini suficient de puternice pentru asta, motiv pentru care mulți aleg să folosească direct puterea de calcul imensă a cloud-ului pentru a-și rula și implementa soluțiile.
+* Utilizarea serviciilor de analiză a datelor: servicii cloud precum Azure Synapse Analytics, Azure Stream Analytics și Azure Databricks te ajută să transformi datele în informații utile.
+* Utilizarea serviciilor de învățare automată și inteligență a datelor: în loc să începi de la zero, poți folosi algoritmi de învățare automată oferiți de furnizorul de cloud, cu servicii precum AzureML. De asemenea, poți folosi servicii cognitive precum conversia vorbirii în text, text în vorbire, viziune computerizată și altele.
+
+## Exemple de Știința Datelor în Cloud
+
+Să facem acest lucru mai concret analizând câteva scenarii.
+
+### Analiza sentimentului în timp real pe rețelele sociale
+Vom începe cu un scenariu studiat frecvent de cei care încep cu învățarea automată: analiza sentimentului pe rețelele sociale în timp real.
+
+Să presupunem că administrezi un site de știri și vrei să folosești date în timp real pentru a înțelege ce conținut ar putea interesa cititorii tăi. Pentru a afla mai multe despre acest lucru, poți construi un program care efectuează analiza sentimentului în timp real a datelor din publicațiile de pe Twitter, pe subiecte relevante pentru cititorii tăi.
+
+Indicatorii cheie pe care îi vei analiza sunt volumul de tweet-uri pe subiecte specifice (hashtag-uri) și sentimentul, care este stabilit folosind instrumente analitice care efectuează analiza sentimentului în jurul subiectelor specificate.
+
+Pașii necesari pentru a crea acest proiect sunt următorii:
+
+* Creează un hub de evenimente pentru fluxul de intrare, care va colecta date de pe Twitter.
+* Configurează și pornește o aplicație client Twitter, care va apela API-urile de Streaming Twitter.
+* Creează un job de Stream Analytics.
+* Specifică intrarea și interogarea job-ului.
+* Creează un output sink și specifică ieșirea job-ului.
+* Pornește job-ul.
+
+Pentru a vedea procesul complet, consultă [documentația](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Analiza lucrărilor științifice
+Să luăm un alt exemplu de proiect creat de [Dmitry Soshnikov](http://soshnikov.com), unul dintre autorii acestui curriculum.
+
+Dmitry a creat un instrument care analizează lucrările despre COVID. Revizuind acest proiect, vei vedea cum poți crea un instrument care extrage cunoștințe din lucrări științifice, obține informații și ajută cercetătorii să navigheze eficient prin colecții mari de lucrări.
+
+Să vedem diferiții pași utilizați pentru acest lucru:
+* Extrage și preprocesează informațiile cu [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Folosește [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) pentru a paraleliza procesarea.
+* Stochează și interoghează informațiile cu [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Creează un tablou de bord interactiv pentru explorarea și vizualizarea datelor folosind Power BI.
+
+Pentru a vedea procesul complet, vizitează [blogul lui Dmitry](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+După cum poți vedea, putem folosi serviciile Cloud în multe moduri pentru a realiza Știința Datelor.
+
+## Notă de subsol
+
+Surse:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Chestionar Post-Lecție
+
+[Chestionar post-lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Temă
+
+[Cercetare de piață](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/ro/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..1f329a4e
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:10:16+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Cercetare de Piață
+
+## Instrucțiuni
+
+În această lecție ai învățat că există mai mulți furnizori importanți de servicii cloud. Realizează o cercetare de piață pentru a descoperi ce poate oferi fiecare dintre aceștia unui Data Scientist. Ofertele sunt comparabile? Scrie un eseu în care să descrii ofertele a trei sau mai mulți dintre acești furnizori de servicii cloud.
+
+## Criterii de Evaluare
+
+Exemplar | Adecvat | Necesită Îmbunătățiri
+--- | --- | --- |
+Un eseu de o pagină descrie ofertele pentru data science ale trei furnizori de servicii cloud și diferențiază între ele. | Este prezentat un eseu mai scurt. | Este prezentat un eseu fără a finaliza analiza.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..66d650e1
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,351 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T16:01:01+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "ro"
+}
+-->
+# Data Science în Cloud: Metoda "Low code/No code"
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Data Science în Cloud: Low Code - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Cuprins:
+
+- [Data Science în Cloud: Metoda "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Chestionar înainte de curs](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Introducere](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Ce este Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 Proiectul de Predicție a Insuficienței Cardiace:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 Setul de Date pentru Insuficiență Cardiacă:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Antrenarea unui model în Azure ML Studio folosind Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Crearea unui workspace Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Resurse de calcul](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Alegerea opțiunilor potrivite pentru resursele de calcul](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Crearea unui cluster de calcul](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Încărcarea setului de date](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Antrenare Low code/No code cu AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Implementarea modelului și consumul endpoint-ului folosind Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Implementarea modelului](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Consumul endpoint-ului](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Provocare](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Chestionar după curs](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Recapitulare și studiu individual](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Temă](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [Chestionar înainte de curs](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. Introducere
+
+### 1.1 Ce este Azure Machine Learning?
+
+Platforma cloud Azure include peste 200 de produse și servicii cloud concepute pentru a te ajuta să aduci la viață soluții noi. Data scientist-ii depun mult efort pentru a explora și preprocesa datele, încercând diverse tipuri de algoritmi de antrenare a modelelor pentru a produce modele precise. Aceste sarcini consumă mult timp și deseori utilizează ineficient hardware-ul de calcul costisitor.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) este o platformă bazată pe cloud pentru construirea și operarea soluțiilor de machine learning în Azure. Aceasta include o gamă largă de funcționalități care ajută data scientist-ii să pregătească datele, să antreneze modele, să publice servicii predictive și să monitorizeze utilizarea acestora. Cel mai important, ajută la creșterea eficienței prin automatizarea multor sarcini consumatoare de timp asociate cu antrenarea modelelor și permite utilizarea resurselor de calcul bazate pe cloud care se scalează eficient pentru a gestiona volume mari de date, suportând costuri doar atunci când sunt utilizate efectiv.
+
+Azure ML oferă toate instrumentele necesare dezvoltatorilor și data scientist-ilor pentru fluxurile lor de lucru de machine learning. Acestea includ:
+
+- **Azure Machine Learning Studio**: un portal web în Azure Machine Learning pentru opțiuni low-code și no-code pentru antrenarea modelelor, implementare, automatizare, urmărire și gestionarea resurselor. Studio-ul se integrează cu SDK-ul Azure Machine Learning pentru o experiență fără întreruperi.
+- **Jupyter Notebooks**: pentru prototiparea rapidă și testarea modelelor ML.
+- **Azure Machine Learning Designer**: permite construirea experimentelor prin drag-and-drop și implementarea pipeline-urilor într-un mediu low-code.
+- **Interfața AutoML**: automatizează sarcinile iterative de dezvoltare a modelelor ML, permițând construirea de modele ML la scară mare, cu eficiență și productivitate, menținând în același timp calitatea modelului.
+- **Etichetarea datelor**: un instrument ML asistat pentru etichetarea automată a datelor.
+- **Extensia de machine learning pentru Visual Studio Code**: oferă un mediu complet de dezvoltare pentru construirea și gestionarea proiectelor ML.
+- **CLI pentru machine learning**: oferă comenzi pentru gestionarea resurselor Azure ML din linia de comandă.
+- **Integrare cu framework-uri open-source** precum PyTorch, TensorFlow, Scikit-learn și multe altele pentru antrenarea, implementarea și gestionarea procesului complet de machine learning.
+- **MLflow**: o bibliotecă open-source pentru gestionarea ciclului de viață al experimentelor de machine learning. **MLFlow Tracking** este un component al MLflow care înregistrează și urmărește metricele de rulare și artefactele modelului, indiferent de mediul experimentului.
+
+### 1.2 Proiectul de Predicție a Insuficienței Cardiace:
+
+Nu există nicio îndoială că realizarea și construirea de proiecte este cea mai bună modalitate de a-ți testa abilitățile și cunoștințele. În această lecție, vom explora două moduri diferite de a construi un proiect de data science pentru predicția atacurilor de insuficiență cardiacă în Azure ML Studio, prin metodele Low code/No code și prin SDK-ul Azure ML, așa cum este ilustrat în schema următoare:
+
+![schema-proiect](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ro.png)
+
+Fiecare metodă are propriile avantaje și dezavantaje. Metoda Low code/No code este mai ușor de început, deoarece implică interacțiunea cu o interfață grafică (GUI), fără a fi necesare cunoștințe anterioare de programare. Această metodă permite testarea rapidă a viabilității proiectului și crearea unui POC (Proof Of Concept). Totuși, pe măsură ce proiectul crește și trebuie să fie pregătit pentru producție, nu este fezabil să creezi resurse prin GUI. Este necesar să automatizezi programatic totul, de la crearea resurselor până la implementarea unui model. Aici devine esențial să știi cum să folosești SDK-ul Azure ML.
+
+|                   | Low code/No code | SDK Azure ML              |
+|-------------------|------------------|---------------------------|
+| Expertiză în cod  | Nu este necesară | Este necesară             |
+| Timp de dezvoltare| Rapid și ușor    | Depinde de expertiza în cod |
+| Pregătit pentru producție | Nu               | Da                       |
+
+### 1.3 Setul de Date pentru Insuficiență Cardiacă:
+
+Bolile cardiovasculare (CVD) sunt cauza principală a deceselor la nivel global, reprezentând 31% din toate decesele la nivel mondial. Factori de risc de mediu și comportamentali, precum utilizarea tutunului, dieta nesănătoasă și obezitatea, inactivitatea fizică și consumul nociv de alcool, pot fi utilizați ca trăsături pentru modelele de estimare. Posibilitatea de a estima probabilitatea dezvoltării unei CVD ar putea fi de mare ajutor pentru prevenirea atacurilor la persoanele cu risc ridicat.
+
+Kaggle a pus la dispoziție un [set de date pentru insuficiență cardiacă](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), pe care îl vom folosi pentru acest proiect. Poți descărca setul de date acum. Acesta este un set de date tabular cu 13 coloane (12 trăsături și 1 variabilă țintă) și 299 de rânduri.
+
+|    | Nume variabilă            | Tip             | Descriere                                                | Exemplu           |
+|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
+| 1  | age                       | numeric         | vârsta pacientului                                      | 25                |
+| 2  | anaemia                   | boolean         | Scăderea globulelor roșii sau a hemoglobinei            | 0 sau 1           |
+| 3  | creatinine_phosphokinase  | numeric         | Nivelul enzimei CPK în sânge                            | 542               |
+| 4  | diabetes                  | boolean         | Dacă pacientul are diabet                               | 0 sau 1           |
+| 5  | ejection_fraction         | numeric         | Procentul de sânge care părăsește inima la fiecare contracție | 45                |
+| 6  | high_blood_pressure       | boolean         | Dacă pacientul are hipertensiune                        | 0 sau 1           |
+| 7  | platelets                 | numeric         | Trombocite în sânge                                     | 149000            |
+| 8  | serum_creatinine          | numeric         | Nivelul creatininei serice în sânge                     | 0.5               |
+| 9  | serum_sodium              | numeric         | Nivelul sodiului seric în sânge                         | jun               |
+| 10 | sex                       | boolean         | femeie sau bărbat                                       | 0 sau 1           |
+| 11 | smoking                   | boolean         | Dacă pacientul fumează                                  | 0 sau 1           |
+| 12 | time                      | numeric         | perioada de urmărire (zile)                             | 4                 |
+|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Țintă]       | boolean         | dacă pacientul moare în perioada de urmărire            | 0 sau 1           |
+
+După ce ai setul de date, putem începe proiectul în Azure.
+
+## 2. Antrenarea unui model în Azure ML Studio folosind Low code/No code
+
+### 2.1 Crearea unui workspace Azure ML
+
+Pentru a antrena un model în Azure ML, trebuie mai întâi să creezi un workspace Azure ML. Workspace-ul este resursa de nivel superior pentru Azure Machine Learning, oferind un loc centralizat pentru a lucra cu toate artefactele create atunci când folosești Azure Machine Learning. Workspace-ul păstrează un istoric al tuturor rulărilor de antrenare, inclusiv jurnale, metrici, rezultate și o captură a scripturilor tale. Folosești aceste informații pentru a determina care rulare de antrenare produce cel mai bun model. [Află mai multe](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Se recomandă utilizarea celui mai actualizat browser compatibil cu sistemul tău de operare. Browserele suportate includ:
+
+- Microsoft Edge (Noua versiune Microsoft Edge, cea mai recentă. Nu Microsoft Edge legacy)
+- Safari (cea mai recentă versiune, doar pentru Mac)
+- Chrome (cea mai recentă versiune)
+- Firefox (cea mai recentă versiune)
+
+Pentru a folosi Azure Machine Learning, creează un workspace în abonamentul tău Azure. Poți folosi acest workspace pentru a gestiona date, resurse de calcul, cod, modele și alte artefacte legate de fluxurile tale de lucru de machine learning.
+
+> **_NOTĂ:_** Abonamentul tău Azure va fi taxat cu o sumă mică pentru stocarea datelor atât timp cât workspace-ul Azure Machine Learning există în abonamentul tău, așa că îți recomandăm să ștergi workspace-ul Azure Machine Learning atunci când nu îl mai folosești.
+
+1. Conectează-te la [portalul Azure](https://ms.portal.azure.com/) folosind acreditivele Microsoft asociate abonamentului tău Azure.
+2. Selectează **＋Create a resource**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ro.png)
+
+   Caută "Machine Learning" și selectează opțiunea Machine Learning.
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ro.png)
+
+   Apasă butonul "Create".
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ro.png)
+
+   Completează setările astfel:
+   - Subscription: Abonamentul tău Azure
+   - Resource group: Creează sau selectează un grup de resurse
+   - Workspace name: Introdu un nume unic pentru workspace-ul tău
+   - Region: Selectează regiunea geografică cea mai apropiată de tine
+   - Storage account: Notează contul de stocare implicit care va fi creat pentru workspace-ul tău
+   - Key vault: Notează key vault-ul implicit care va fi creat pentru workspace-ul tău
+   - Application insights: Notează resursa implicită Application Insights care va fi creată pentru workspace-ul tău
+   - Container registry: Niciunul (unul va fi creat automat prima dată când implementezi un model într-un container)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ro.png)
+
+   - Apasă pe "Create + review" și apoi pe butonul "Create".
+3. Așteaptă ca workspace-ul tău să fie creat (acest proces poate dura câteva minute). Apoi accesează-l în portal. Îl poți găsi prin serviciul Azure Machine Learning.
+4. Pe pagina de prezentare generală a workspace-ului tău, lansează Azure Machine Learning Studio (sau deschide un nou tab în browser și navighează la https://ml.azure.com), și conectează-te la Azure Machine Learning Studio folosind contul tău Microsoft. Dacă ți se cere, selectează directorul și abonamentul Azure, precum și workspace-ul Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ro.png)
+
+5. În Azure Machine Learning Studio, comută pictograma ☰ din colțul stânga sus pentru a vizualiza diferitele pagini din interfață. Poți folosi aceste pagini pentru a gestiona resursele din workspace-ul tău.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ro.png)
+
+Poți gestiona workspace-ul tău folosind portalul Azure, dar pentru data scientist-i și inginerii de operațiuni ML, Azure Machine Learning Studio oferă o interfață mai concentrată pentru gestionarea resurselor workspace-ului.
+
+### 2.2 Resurse de calcul
+
+Resursele de calcul sunt resurse bazate pe cloud pe care poți rula procese de antrenare a modelelor și explorare a datelor. Există patru tipuri de resurse de calcul pe care le poți crea:
+
+- **Compute Instances**: Stații de lucru pentru dezvoltare pe care data scientist-ii le pot folosi pentru a lucra cu date și modele. Aceasta implică crearea unei mașini virtuale (VM) și lansarea unei instanțe de notebook. Poți apoi antrena un model apelând un cluster de calcul din notebook.
+- **Compute Clusters**: Clustere scalabile de mașini virtuale pentru procesarea la cerere a codului experimentului. Vei avea nevoie de acestea pentru antrenarea unui model. Clusterele de calcul pot folosi și resurse specializate GPU sau CPU.
+- **Inference Clusters**: Ținte de implementare pentru serviciile predictive care utilizează modelele tale antrenate.
+- **Attached Compute**: Leagă resursele de calcul existente din Azure, cum ar fi mașinile virtuale sau clusterele Azure Databricks.
+
+#### 2.2.1 Alegerea opțiunilor potrivite pentru resursele de calcul
+
+Câțiva factori cheie trebuie luați în considerare atunci când creați o resursă de calcul, iar aceste alegeri pot fi decizii critice.
+
+**Aveți nevoie de CPU sau GPU?**
+
+Un CPU (Unitate Centrală de Procesare) este circuitul electronic care execută instrucțiunile unui program de calculator. Un GPU (Unitate de Procesare Grafică) este un circuit electronic specializat care poate executa cod legat de grafică la o rată foarte mare.
+
+Principala diferență între arhitectura CPU și GPU este că un CPU este proiectat să gestioneze rapid o gamă largă de sarcini (măsurată prin viteza ceasului CPU), dar este limitat în ceea ce privește concurența sarcinilor care pot fi rulate. GPU-urile sunt proiectate pentru calcul paralel și, prin urmare, sunt mult mai bune pentru sarcinile de învățare profundă.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Mai puțin costisitor                    | Mai costisitor              |
+| Nivel mai scăzut de concurență          | Nivel mai ridicat de concurență |
+| Mai lent în antrenarea modelelor de învățare profundă | Optim pentru învățare profundă   |
+
+**Dimensiunea clusterului**
+
+Clusterele mai mari sunt mai costisitoare, dar vor oferi o mai bună receptivitate. Prin urmare, dacă aveți timp, dar nu suficienți bani, ar trebui să începeți cu un cluster mic. În schimb, dacă aveți bani, dar nu prea mult timp, ar trebui să începeți cu un cluster mai mare.
+
+**Dimensiunea VM**
+
+În funcție de constrângerile de timp și buget, puteți varia dimensiunea RAM-ului, discului, numărul de nuclee și viteza ceasului. Creșterea tuturor acestor parametri va fi mai costisitoare, dar va duce la o performanță mai bună.
+
+**Instanțe dedicate sau cu prioritate scăzută?**
+
+O instanță cu prioritate scăzută înseamnă că este întreruptibilă: practic, Microsoft Azure poate prelua acele resurse și le poate atribui unei alte sarcini, întrerupând astfel un job. O instanță dedicată, sau neîntreruptibilă, înseamnă că jobul nu va fi niciodată terminat fără permisiunea dumneavoastră. Aceasta este o altă considerație între timp și bani, deoarece instanțele întreruptibile sunt mai puțin costisitoare decât cele dedicate.
+
+#### 2.2.2 Crearea unui cluster de calcul
+
+În [spațiul de lucru Azure ML](https://ml.azure.com/) pe care l-am creat anterior, accesați secțiunea de calcul și veți putea vedea diferitele resurse de calcul discutate anterior (de exemplu, instanțe de calcul, clustere de calcul, clustere de inferență și calcul atașat). Pentru acest proiect, vom avea nevoie de un cluster de calcul pentru antrenarea modelului. În Studio, faceți clic pe meniul "Compute", apoi pe fila "Compute cluster" și faceți clic pe butonul "+ New" pentru a crea un cluster de calcul.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ro.png)
+
+1. Alegeți opțiunile: Dedicated vs Low priority, CPU sau GPU, dimensiunea VM și numărul de nuclee (puteți păstra setările implicite pentru acest proiect).
+2. Faceți clic pe butonul Next.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ro.png)
+
+3. Dați clusterului un nume de calcul.
+4. Alegeți opțiunile: Numărul minim/maxim de noduri, secunde de inactivitate înainte de reducerea dimensiunii, acces SSH. Rețineți că, dacă numărul minim de noduri este 0, veți economisi bani atunci când clusterul este inactiv. Rețineți că, cu cât numărul maxim de noduri este mai mare, cu atât antrenarea va fi mai scurtă. Numărul maxim de noduri recomandat este 3.
+5. Faceți clic pe butonul "Create". Acest pas poate dura câteva minute.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ro.png)
+
+Minunat! Acum că avem un cluster de calcul, trebuie să încărcăm datele în Azure ML Studio.
+
+### 2.3 Încărcarea setului de date
+
+1. În [spațiul de lucru Azure ML](https://ml.azure.com/) pe care l-am creat anterior, faceți clic pe "Datasets" în meniul din stânga și faceți clic pe butonul "+ Create dataset" pentru a crea un set de date. Alegeți opțiunea "From local files" și selectați setul de date Kaggle pe care l-am descărcat anterior.
+
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ro.png)
+
+2. Dați setului de date un nume, un tip și o descriere. Faceți clic pe Next. Încărcați datele din fișiere. Faceți clic pe Next.
+
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ro.png)
+
+3. În Schema, schimbați tipul de date în Boolean pentru următoarele caracteristici: anaemia, diabetes, high blood pressure, sex, smoking și DEATH_EVENT. Faceți clic pe Next și apoi pe Create.
+
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ro.png)
+
+Grozaav! Acum că setul de date este pregătit și clusterul de calcul este creat, putem începe antrenarea modelului!
+
+### 2.4 Antrenare Low code/No code cu AutoML
+
+Dezvoltarea tradițională a modelelor de învățare automată este consumatoare de resurse, necesită cunoștințe semnificative de domeniu și timp pentru a produce și compara zeci de modele. Învățarea automată automată (AutoML) este procesul de automatizare a sarcinilor iterative și consumatoare de timp din dezvoltarea modelelor de învățare automată. Aceasta permite oamenilor de știință în date, analiștilor și dezvoltatorilor să construiască modele ML la scară mare, cu eficiență și productivitate ridicată, menținând în același timp calitatea modelului. Reduce timpul necesar pentru a obține modele ML gata de producție, cu ușurință și eficiență. [Aflați mai multe](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. În [spațiul de lucru Azure ML](https://ml.azure.com/) pe care l-am creat anterior, faceți clic pe "Automated ML" în meniul din stânga și selectați setul de date pe care tocmai l-ați încărcat. Faceți clic pe Next.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ro.png)
+
+2. Introduceți un nume nou pentru experiment, coloana țintă (DEATH_EVENT) și clusterul de calcul pe care l-am creat. Faceți clic pe Next.
+
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ro.png)
+
+3. Alegeți "Classification" și faceți clic pe Finish. Acest pas poate dura între 30 de minute și 1 oră, în funcție de dimensiunea clusterului de calcul.
+
+   ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ro.png)
+
+4. Odată ce rularea este completă, faceți clic pe fila "Automated ML", faceți clic pe rularea dvs. și apoi pe algoritmul din cardul "Best model summary".
+
+   ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ro.png)
+
+Aici puteți vedea o descriere detaliată a celui mai bun model generat de AutoML. De asemenea, puteți explora alte modele generate în fila Models. Luați câteva minute pentru a explora modelele din butonul Explanations (preview). Odată ce ați ales modelul pe care doriți să-l utilizați (aici vom alege cel mai bun model selectat de AutoML), vom vedea cum îl putem implementa.
+
+## 3. Implementare Low code/No code a modelului și consumul endpoint-ului
+### 3.1 Implementarea modelului
+
+Interfața de învățare automată automată vă permite să implementați cel mai bun model ca serviciu web în câțiva pași. Implementarea reprezintă integrarea modelului astfel încât să poată face predicții pe baza unor date noi și să identifice potențiale oportunități. Pentru acest proiect, implementarea ca serviciu web înseamnă că aplicațiile medicale vor putea consuma modelul pentru a face predicții în timp real despre riscul pacienților de a suferi un atac de cord.
+
+În descrierea celui mai bun model, faceți clic pe butonul "Deploy".
+
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ro.png)
+
+15. Dați-i un nume, o descriere, tipul de calcul (Azure Container Instance), activați autentificarea și faceți clic pe Deploy. Acest pas poate dura aproximativ 20 de minute pentru a fi finalizat. Procesul de implementare implică mai mulți pași, inclusiv înregistrarea modelului, generarea resurselor și configurarea acestora pentru serviciul web. Un mesaj de stare apare sub Deploy status. Selectați Refresh periodic pentru a verifica starea implementării. Este implementat și funcțional atunci când starea este "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ro.png)
+
+16. Odată ce a fost implementat, faceți clic pe fila Endpoint și apoi pe endpoint-ul pe care tocmai l-ați implementat. Aici puteți găsi toate detaliile despre endpoint.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ro.png)
+
+Uimitor! Acum că avem un model implementat, putem începe consumul endpoint-ului.
+
+### 3.2 Consumarea endpoint-ului
+
+Faceți clic pe fila "Consume". Aici puteți găsi endpoint-ul REST și un script Python în opțiunea de consum. Luați-vă timp pentru a citi codul Python.
+
+Acest script poate fi rulat direct de pe mașina dvs. locală și va consuma endpoint-ul.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ro.png)
+
+Luați un moment pentru a verifica aceste 2 linii de cod:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Variabila `url` este endpoint-ul REST găsit în fila consume, iar variabila `api_key` este cheia primară găsită tot în fila consume (doar în cazul în care ați activat autentificarea). Așa poate scriptul să consume endpoint-ul.
+
+18. Rulând scriptul, ar trebui să vedeți următorul rezultat:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+Aceasta înseamnă că predicția insuficienței cardiace pentru datele date este adevărată. Acest lucru are sens, deoarece, dacă analizați mai atent datele generate automat în script, totul este setat la 0 și fals în mod implicit. Puteți schimba datele cu următorul eșantion de intrare:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+Scriptul ar trebui să returneze:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Felicitări! Tocmai ați consumat modelul implementat și l-ați antrenat pe Azure ML!
+
+> **_NOTE:_** După ce ați terminat proiectul, nu uitați să ștergeți toate resursele.
+## 🚀 Provocare
+
+Analizați cu atenție explicațiile și detaliile modelului pe care AutoML le-a generat pentru modelele de top. Încercați să înțelegeți de ce cel mai bun model este mai bun decât celelalte. Ce algoritmi au fost comparați? Care sunt diferențele dintre ele? De ce cel mai bun model are performanțe mai bune în acest caz?
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Recapitulare și studiu individual
+
+În această lecție, ați învățat cum să antrenați, să implementați și să consumați un model pentru a prezice riscul de insuficiență cardiacă într-un mod Low code/No code în cloud. Dacă nu ați făcut-o încă, aprofundați explicațiile modelului pe care AutoML le-a generat pentru modelele de top și încercați să înțelegeți de ce cel mai bun model este mai bun decât celelalte.
+
+Puteți merge mai departe cu AutoML Low code/No code citind această [documentație](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Temă
+
+[Proiect de știința datelor Low code/No code pe Azure ML](assignment.md)
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși depunem eforturi pentru a asigura acuratețea, vă rugăm să aveți în vedere că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..983b6143
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Proiect de Data Science cu cod redus/fără cod pe Azure ML
+
+## Instrucțiuni
+
+Am văzut cum să folosim platforma Azure ML pentru a antrena, implementa și utiliza un model într-un mod cu cod redus/fără cod. Acum caută niște date pe care le-ai putea folosi pentru a antrena un alt model, să-l implementezi și să-l utilizezi. Poți căuta seturi de date pe [Kaggle](https://kaggle.com) și [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Criterii de evaluare
+
+| Exemplu | Adecvat | Necesită îmbunătățiri |
+|---------|---------|-----------------------|
+|Când ai încărcat datele, te-ai asigurat că ai schimbat tipul caracteristicilor dacă era necesar. De asemenea, ai curățat datele dacă era nevoie. Ai rulat un antrenament pe un set de date prin AutoML și ai verificat explicațiile modelului. Ai implementat cel mai bun model și ai reușit să-l utilizezi. | Când ai încărcat datele, te-ai asigurat că ai schimbat tipul caracteristicilor dacă era necesar. Ai rulat un antrenament pe un set de date prin AutoML, ai implementat cel mai bun model și ai reușit să-l utilizezi. | Ai implementat cel mai bun model antrenat de AutoML și ai reușit să-l utilizezi. |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/ro/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..4d50bc38
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,312 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:15:27+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "ro"
+}
+-->
+# Știința Datelor în Cloud: Metoda "Azure ML SDK"
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Știința Datelor în Cloud: Azure ML SDK - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+Cuprins:
+
+- [Știința Datelor în Cloud: Metoda "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Chestionar înainte de lecție](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Introducere](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Ce este Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Proiectul de predicție a insuficienței cardiace și introducerea datasetului](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Antrenarea unui model cu Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Crearea unui workspace Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Crearea unei instanțe de calcul](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Încărcarea datasetului](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Crearea notebook-urilor](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Antrenarea unui model](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Configurarea workspace-ului, experimentului, clusterului de calcul și datasetului](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Configurarea AutoML și antrenarea](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Implementarea modelului și consumul endpointului cu Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Salvarea celui mai bun model](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Implementarea modelului](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Consumarea endpointului](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Provocare](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Chestionar după lecție](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Recapitulare și studiu individual](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Temă](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Chestionar înainte de lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Introducere
+
+### 1.1 Ce este Azure ML SDK?
+
+Cercetătorii în domeniul datelor și dezvoltatorii AI folosesc Azure Machine Learning SDK pentru a construi și rula fluxuri de lucru de învățare automată cu serviciul Azure Machine Learning. Poți interacționa cu serviciul din orice mediu Python, inclusiv Jupyter Notebooks, Visual Studio Code sau IDE-ul tău preferat pentru Python.
+
+Zonele cheie ale SDK-ului includ:
+
+- Explorarea, pregătirea și gestionarea ciclului de viață al dataseturilor utilizate în experimentele de învățare automată.
+- Gestionarea resurselor cloud pentru monitorizare, jurnalizare și organizarea experimentelor de învățare automată.
+- Antrenarea modelelor fie local, fie utilizând resurse cloud, inclusiv antrenarea modelelor accelerată de GPU.
+- Utilizarea învățării automate automate, care acceptă parametrii de configurare și datele de antrenament. Aceasta iterează automat prin algoritmi și setări de hiperparametri pentru a găsi cel mai bun model pentru rularea predicțiilor.
+- Implementarea serviciilor web pentru a transforma modelele antrenate în servicii RESTful care pot fi consumate în orice aplicație.
+
+[Află mai multe despre Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+În [lecția anterioară](../18-Low-Code/README.md), am văzut cum să antrenăm, implementăm și consumăm un model într-un mod Low code/No code. Am folosit datasetul de insuficiență cardiacă pentru a genera un model de predicție a insuficienței cardiace. În această lecție, vom face exact același lucru, dar folosind Azure Machine Learning SDK.
+
+![schema-proiectului](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ro.png)
+
+### 1.2 Proiectul de predicție a insuficienței cardiace și introducerea datasetului
+
+Consultă [aici](../18-Low-Code/README.md) introducerea proiectului de predicție a insuficienței cardiace și a datasetului.
+
+## 2. Antrenarea unui model cu Azure ML SDK
+### 2.1 Crearea unui workspace Azure ML
+
+Pentru simplitate, vom lucra într-un notebook Jupyter. Acest lucru implică faptul că ai deja un Workspace și o instanță de calcul. Dacă ai deja un Workspace, poți sări direct la secțiunea 2.3 Crearea notebook-urilor.
+
+Dacă nu, te rugăm să urmezi instrucțiunile din secțiunea **2.1 Crearea unui workspace Azure ML** din [lecția anterioară](../18-Low-Code/README.md) pentru a crea un workspace.
+
+### 2.2 Crearea unei instanțe de calcul
+
+În [workspace-ul Azure ML](https://ml.azure.com/) pe care l-am creat anterior, accesează meniul de calcul și vei vedea diferitele resurse de calcul disponibile.
+
+![instanță-de-calcul-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ro.png)
+
+Să creăm o instanță de calcul pentru a provisiona un notebook Jupyter. 
+1. Apasă pe butonul + New. 
+2. Dă un nume instanței tale de calcul.
+3. Alege opțiunile: CPU sau GPU, dimensiunea VM și numărul de nuclee.
+4. Apasă pe butonul Create.
+
+Felicitări, tocmai ai creat o instanță de calcul! Vom folosi această instanță de calcul pentru a crea un notebook în secțiunea [Crearea notebook-urilor](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Încărcarea datasetului
+Consultă [lecția anterioară](../18-Low-Code/README.md) în secțiunea **2.3 Încărcarea datasetului** dacă nu ai încărcat încă datasetul.
+
+### 2.4 Crearea notebook-urilor
+
+> **_NOTĂ:_** Pentru pasul următor, poți fie să creezi un notebook nou de la zero, fie să încarci [notebook-ul pe care l-am creat](notebook.ipynb) în Azure ML Studio. Pentru a-l încărca, pur și simplu apasă pe meniul "Notebook" și încarcă notebook-ul.
+
+Notebook-urile sunt o parte foarte importantă a procesului de știință a datelor. Ele pot fi utilizate pentru a efectua Analiza Exploratorie a Datelor (EDA), pentru a apela un cluster de calcul pentru antrenarea unui model sau pentru a apela un cluster de inferență pentru a implementa un endpoint. 
+
+Pentru a crea un notebook, avem nevoie de un nod de calcul care servește instanța notebook-ului Jupyter. Revino la [workspace-ul Azure ML](https://ml.azure.com/) și apasă pe Instanțe de calcul. În lista de instanțe de calcul ar trebui să vezi [instanța de calcul pe care am creat-o anterior](../../../../5-Data-Science-In-Cloud/19-Azure). 
+
+1. În secțiunea Aplicații, apasă pe opțiunea Jupyter. 
+2. Bifează caseta "Yes, I understand" și apasă pe butonul Continue.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ro.png)
+3. Acest lucru ar trebui să deschidă o filă nouă în browser cu instanța notebook-ului Jupyter. Apasă pe butonul "New" pentru a crea un notebook.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ro.png)
+
+Acum că avem un notebook, putem începe antrenarea modelului cu Azure ML SDK.
+
+### 2.5 Antrenarea unui model
+
+În primul rând, dacă ai vreodată îndoieli, consultă [documentația Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Aceasta conține toate informațiile necesare pentru a înțelege modulele pe care le vom vedea în această lecție.
+
+#### 2.5.1 Configurarea workspace-ului, experimentului, clusterului de calcul și datasetului
+
+Trebuie să încarci `workspace` din fișierul de configurare folosind codul următor:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Acesta returnează un obiect de tip `Workspace` care reprezintă workspace-ul. Apoi trebuie să creezi un `experiment` folosind codul următor:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Pentru a obține sau crea un experiment dintr-un workspace, soliciți experimentul folosind numele experimentului. Numele experimentului trebuie să aibă între 3 și 36 de caractere, să înceapă cu o literă sau un număr și să conțină doar litere, numere, underscore-uri și liniuțe. Dacă experimentul nu este găsit în workspace, se creează un experiment nou.
+
+Acum trebuie să creezi un cluster de calcul pentru antrenare folosind codul următor. Reține că acest pas poate dura câteva minute. 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Poți obține datasetul din workspace folosind numele datasetului în următorul mod:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 Configurarea AutoML și antrenarea
+
+Pentru a seta configurația AutoML, folosește clasa [AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Așa cum este descris în documentație, există o mulțime de parametri cu care poți experimenta. Pentru acest proiect, vom folosi următorii parametri:
+
+- `experiment_timeout_minutes`: Timpul maxim (în minute) permis pentru rularea experimentului înainte ca acesta să fie oprit automat și rezultatele să fie disponibile automat.
+- `max_concurrent_iterations`: Numărul maxim de iterații de antrenament simultane permise pentru experiment.
+- `primary_metric`: Metrica principală utilizată pentru a determina starea experimentului.
+- `compute_target`: Resursa de calcul Azure Machine Learning pe care se rulează experimentul de învățare automată automatizată.
+- `task`: Tipul de sarcină de rulare. Valorile pot fi 'classification', 'regression' sau 'forecasting', în funcție de tipul de problemă de învățare automată automatizată de rezolvat.
+- `training_data`: Datele de antrenament utilizate în cadrul experimentului. Acestea ar trebui să conțină atât caracteristicile de antrenament, cât și o coloană de etichete (opțional o coloană de greutăți ale eșantionului).
+- `label_column_name`: Numele coloanei de etichete.
+- `path`: Calea completă către folderul proiectului Azure Machine Learning.
+- `enable_early_stopping`: Dacă se permite terminarea timpurie în cazul în care scorul nu se îmbunătățește pe termen scurt.
+- `featurization`: Indicator pentru dacă pasul de featurizare ar trebui să fie realizat automat sau nu, sau dacă ar trebui utilizată featurizarea personalizată.
+- `debug_log`: Fișierul jurnal în care se scriu informațiile de depanare.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Acum că ai configurarea setată, poți antrena modelul folosind codul următor. Acest pas poate dura până la o oră, în funcție de dimensiunea clusterului.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+Poți rula widgetul RunDetails pentru a afișa diferitele experimente.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Implementarea modelului și consumul endpointului cu Azure ML SDK
+
+### 3.1 Salvarea celui mai bun model
+
+`remote_run` este un obiect de tip [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Acest obiect conține metoda `get_output()` care returnează cel mai bun run și modelul ajustat corespunzător.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+Poți vedea parametrii utilizați pentru cel mai bun model doar prin imprimarea fitted_model și poți vedea proprietățile celui mai bun model utilizând metoda [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Acum înregistrează modelul cu metoda [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Implementarea modelului
+
+După ce cel mai bun model este salvat, îl putem implementa cu clasa [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig reprezintă setările de configurare pentru un mediu personalizat utilizat pentru implementare. Clasa [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) reprezintă un model de învățare automată implementat ca un endpoint de serviciu web pe Azure Container Instances. Un serviciu implementat este creat dintr-un model, script și fișiere asociate. Serviciul web rezultat este un endpoint HTTP echilibrat, cu o API REST. Poți trimite date către această API și primi predicția returnată de model.
+
+Modelul este implementat folosind metoda [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Acest pas ar trebui să dureze câteva minute.
+
+### 3.3 Consumarea endpointului
+
+Poți consuma endpointul creând un input de exemplu:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+Apoi poți trimite acest input către modelul tău pentru predicție:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```  
+Acesta ar trebui să returneze `'{"result": [false]}'`. Aceasta înseamnă că datele pacientului pe care le-am trimis la endpoint au generat predicția `false`, ceea ce indică faptul că această persoană nu este predispusă la un atac de cord.
+
+Felicitări! Tocmai ai utilizat modelul implementat și antrenat pe Azure ML folosind Azure ML SDK!
+
+> **_NOTE:_** După ce ai terminat proiectul, nu uita să ștergi toate resursele.
+
+## 🚀 Provocare  
+
+Există multe alte lucruri pe care le poți face prin SDK, din păcate, nu le putem acoperi pe toate în această lecție. Dar vestea bună este că învățarea modului de a naviga prin documentația SDK te poate ajuta foarte mult pe cont propriu. Aruncă o privire la documentația Azure ML SDK și găsește clasa `Pipeline`, care îți permite să creezi pipeline-uri. Un pipeline este o colecție de pași care pot fi executați ca un flux de lucru.
+
+**INDICIU:** Accesează [documentația SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) și tastează cuvinte cheie în bara de căutare, cum ar fi "Pipeline". Ar trebui să găsești clasa `azureml.pipeline.core.Pipeline` în rezultatele căutării.
+
+## [Test de verificare după lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Recapitulare & Studiu individual  
+
+În această lecție, ai învățat cum să antrenezi, implementezi și utilizezi un model pentru a prezice riscul de insuficiență cardiacă folosind Azure ML SDK în cloud. Consultă această [documentație](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) pentru informații suplimentare despre Azure ML SDK. Încearcă să creezi propriul tău model folosind Azure ML SDK.
+
+## Temă  
+
+[Proiect de Data Science folosind Azure ML SDK](assignment.md)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/ro/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..24dd8340
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:32+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Proiect de Data Science folosind Azure ML SDK
+
+## Instrucțiuni
+
+Am văzut cum să utilizăm platforma Azure ML pentru a antrena, implementa și utiliza un model cu Azure ML SDK. Acum caută niște date pe care le-ai putea folosi pentru a antrena un alt model, să-l implementezi și să-l utilizezi. Poți căuta seturi de date pe [Kaggle](https://kaggle.com) și [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Criterii de evaluare
+
+| Exemplu | Adecvat | Necesită îmbunătățiri |
+|---------|---------|-----------------------|
+|Când ai configurat AutoML, ai consultat documentația SDK pentru a vedea ce parametri ai putea folosi. Ai rulat un antrenament pe un set de date prin AutoML folosind Azure ML SDK și ai verificat explicațiile modelului. Ai implementat cel mai bun model și ai reușit să-l utilizezi prin Azure ML SDK. | Ai rulat un antrenament pe un set de date prin AutoML folosind Azure ML SDK și ai verificat explicațiile modelului. Ai implementat cel mai bun model și ai reușit să-l utilizezi prin Azure ML SDK. | Ai rulat un antrenament pe un set de date prin AutoML folosind Azure ML SDK. Ai implementat cel mai bun model și ai reușit să-l utilizezi prin Azure ML SDK. |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/5-Data-Science-In-Cloud/README.md b/translations/ro/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..7ac2515e
--- /dev/null
+++ b/translations/ro/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:53:22+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "ro"
+}
+-->
+# Știința Datelor în Cloud
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ro.jpg)
+
+> Fotografie de [Jelleke Vanooteghem](https://unsplash.com/@ilumire) de pe [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Când vine vorba de realizarea științei datelor cu seturi mari de date, cloud-ul poate fi o schimbare majoră. În următoarele trei lecții, vom vedea ce este cloud-ul și de ce poate fi foarte util. De asemenea, vom explora un set de date despre insuficiența cardiacă și vom construi un model pentru a ajuta la evaluarea probabilității ca cineva să sufere de insuficiență cardiacă. Vom folosi puterea cloud-ului pentru a antrena, implementa și utiliza un model în două moduri diferite. Un mod folosind doar interfața utilizatorului într-un stil Low code/No code, iar celălalt mod folosind Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ro.png)
+
+### Subiecte
+
+1. [De ce să folosești Cloud pentru Știința Datelor?](17-Introduction/README.md)
+2. [Știința Datelor în Cloud: Modul "Low code/No code"](18-Low-Code/README.md)
+3. [Știința Datelor în Cloud: Modul "Azure ML SDK"](19-Azure/README.md)
+
+### Credite
+Aceste lecții au fost scrise cu ☁️ și 💕 de [Maud Levy](https://twitter.com/maudstweets) și [Tiffany Souterre](https://twitter.com/TiffanySouterre)
+
+Datele pentru proiectul de Predicție a Insuficienței Cardiace sunt preluate de la [
+Larxel](https://www.kaggle.com/andrewmvd) pe [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Acestea sunt licențiate sub [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..8161cc0c
--- /dev/null
+++ b/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,155 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:49:14+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "ro"
+}
+-->
+# Știința Datelor în Lumea Reală
+
+| ![ Sketchnote realizat de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Știința Datelor în Lumea Reală - _Sketchnote realizat de [@nitya](https://twitter.com/nitya)_               |
+
+Suntem aproape de finalul acestei călătorii de învățare!
+
+Am început cu definițiile științei datelor și eticii, am explorat diverse instrumente și tehnici pentru analiza și vizualizarea datelor, am revizuit ciclul de viață al științei datelor și am analizat scalarea și automatizarea fluxurilor de lucru ale științei datelor cu ajutorul serviciilor de cloud computing. Așadar, probabil te întrebi: _"Cum pot aplica toate aceste cunoștințe în contexte reale?"_
+
+În această lecție, vom explora aplicațiile reale ale științei datelor în diverse industrii și vom analiza exemple specifice din cercetare, științele umaniste digitale și sustenabilitate. Vom discuta despre oportunitățile pentru proiecte studențești și vom încheia cu resurse utile pentru a-ți continua călătoria de învățare!
+
+## Chestionar Pre-Lecție
+
+[Chestionar pre-lecție](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Știința Datelor + Industrie
+
+Datorită democratizării AI, dezvoltatorii găsesc acum mai ușor să proiecteze și să integreze decizii bazate pe AI și perspective bazate pe date în experiențele utilizatorilor și fluxurile de lucru de dezvoltare. Iată câteva exemple despre cum este aplicată știința datelor în aplicații reale din industrie:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) a utilizat știința datelor pentru a corela termenii de căutare cu tendințele gripei. Deși abordarea a avut defecte, a crescut conștientizarea asupra posibilităților (și provocărilor) predicțiilor bazate pe date în domeniul sănătății.
+
+ * [Predicțiile de rutare UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - explică modul în care UPS folosește știința datelor și învățarea automată pentru a prezice rutele optime de livrare, luând în considerare condițiile meteorologice, traficul, termenele de livrare și altele.
+
+ * [Vizualizarea rutelor taxiurilor din NYC](http://chriswhong.github.io/nyctaxi/) - datele colectate prin [Legile privind Libertatea Informației](https://chriswhong.com/open-data/foil_nyc_taxi/) au ajutat la vizualizarea unei zile din viața taxiurilor din NYC, ajutându-ne să înțelegem cum navighează prin orașul aglomerat, câți bani câștigă și durata curselor pe parcursul unei perioade de 24 de ore.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - folosește date (despre locațiile de preluare și destinație, durata curselor, rutele preferate etc.) colectate din milioane de curse Uber *zilnic* pentru a construi un instrument de analiză a datelor care ajută la stabilirea prețurilor, siguranță, detectarea fraudelor și luarea deciziilor de navigare.
+
+ * [Analiza sportivă](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - se concentrează pe _analiza predictivă_ (analiza echipelor și jucătorilor - gândiți-vă la [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - și managementul fanilor) și _vizualizarea datelor_ (tablouri de bord pentru echipe și fani, jocuri etc.) cu aplicații precum scouting-ul de talente, pariurile sportive și managementul inventarului/locațiilor.
+
+ * [Știința Datelor în Bănci](https://data-flair.training/blogs/data-science-in-banking/) - evidențiază valoarea științei datelor în industria financiară, cu aplicații care variază de la modelarea riscurilor și detectarea fraudelor, la segmentarea clienților, predicții în timp real și sisteme de recomandare. Analiza predictivă susține, de asemenea, măsuri critice precum [scorurile de credit](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Știința Datelor în Sănătate](https://data-flair.training/blogs/data-science-in-healthcare/) - evidențiază aplicații precum imagistica medicală (de exemplu, RMN, radiografii, tomografii), genomica (secvențierea ADN-ului), dezvoltarea de medicamente (evaluarea riscurilor, predicția succesului), analiza predictivă (îngrijirea pacienților și logistica aprovizionării), urmărirea și prevenirea bolilor etc.
+
+![Aplicații ale Științei Datelor în Lumea Reală](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ro.png) Credit Imagine: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+Figura arată alte domenii și exemple de aplicare a tehnicilor de știința datelor. Vrei să explorezi alte aplicații? Consultă secțiunea [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) de mai jos.
+
+## Știința Datelor + Cercetare
+
+| ![ Sketchnote realizat de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Știința Datelor & Cercetare - _Sketchnote realizat de [@nitya](https://twitter.com/nitya)_              |
+
+Deși aplicațiile din lumea reală se concentrează adesea pe cazuri de utilizare din industrie la scară largă, aplicațiile și proiectele de _cercetare_ pot fi utile din două perspective:
+
+* _oportunități de inovație_ - explorarea prototipurilor rapide ale conceptelor avansate și testarea experiențelor utilizatorilor pentru aplicațiile generației următoare.
+* _provocări de implementare_ - investigarea potențialelor daune sau consecințe neintenționate ale tehnologiilor de știința datelor în contexte reale.
+
+Pentru studenți, aceste proiecte de cercetare pot oferi atât oportunități de învățare, cât și de colaborare, care îți pot îmbunătăți înțelegerea subiectului și îți pot lărgi conștientizarea și implicarea cu persoane sau echipe relevante care lucrează în domenii de interes. Cum arată proiectele de cercetare și cum pot avea impact?
+
+Să analizăm un exemplu - [Studiul MIT Gender Shades](http://gendershades.org/overview.html) realizat de Joy Buolamwini (MIT Media Labs) cu un [articol de cercetare semnificativ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) co-autor cu Timnit Gebru (pe atunci la Microsoft Research) care s-a concentrat pe:
+
+ * **Ce:** Obiectivul proiectului de cercetare a fost să _evalueze prejudecățile prezente în algoritmii și seturile de date pentru analiza facială automată_ pe baza genului și tipului de piele.
+ * **De ce:** Analiza facială este utilizată în domenii precum aplicarea legii, securitatea aeroportuară, sistemele de angajare și altele - contexte în care clasificările inexacte (de exemplu, din cauza prejudecăților) pot cauza daune economice și sociale potențiale persoanelor sau grupurilor afectate. Înțelegerea (și eliminarea sau atenuarea) prejudecăților este esențială pentru echitate în utilizare.
+ * **Cum:** Cercetătorii au recunoscut că reperele existente utilizau predominant subiecți cu piele mai deschisă și au creat un nou set de date (peste 1000 de imagini) care era _mai echilibrat_ în funcție de gen și tip de piele. Setul de date a fost utilizat pentru a evalua acuratețea a trei produse de clasificare a genului (de la Microsoft, IBM și Face++).
+
+Rezultatele au arătat că, deși acuratețea generală a clasificării era bună, exista o diferență notabilă în ratele de eroare între diversele subgrupuri - cu **clasificări greșite** mai frecvente pentru femei sau persoane cu piele mai închisă, indicând prezența prejudecăților.
+
+**Rezultate cheie:** Studiul a crescut conștientizarea asupra faptului că știința datelor are nevoie de _seturi de date mai reprezentative_ (subgrupuri echilibrate) și de _echipe mai incluzive_ (cu diverse medii) pentru a recunoaște și elimina sau atenua astfel de prejudecăți mai devreme în soluțiile AI. Eforturile de cercetare precum acesta sunt, de asemenea, esențiale pentru ca multe organizații să definească principii și practici pentru _AI responsabilă_ pentru a îmbunătăți echitatea în produsele și procesele lor AI.
+
+**Vrei să afli despre eforturile de cercetare relevante la Microsoft?**
+
+* Consultă [Proiectele de Cercetare Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) în domeniul Inteligenței Artificiale.
+* Explorează proiectele studențești din cadrul [Școlii de Vară Microsoft Research Data Science](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Consultă proiectul [Fairlearn](https://fairlearn.org/) și inițiativele [AI Responsabil](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Știința Datelor + Științele Umaniste
+
+| ![ Sketchnote realizat de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Știința Datelor & Științele Umaniste Digitale - _Sketchnote realizat de [@nitya](https://twitter.com/nitya)_              |
+
+Științele Umaniste Digitale [au fost definite](https://digitalhumanities.stanford.edu/about-dh-stanford) drept "o colecție de practici și abordări care combină metode computaționale cu cercetarea umanistă". [Proiectele Stanford](https://digitalhumanities.stanford.edu/projects) precum _"rebooting history"_ și _"poetic thinking"_ ilustrează legătura dintre [Științele Umaniste Digitale și Știința Datelor](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - subliniind tehnici precum analiza rețelelor, vizualizarea informațiilor, analiza spațială și textuală care ne pot ajuta să revizităm seturi de date istorice și literare pentru a obține noi perspective și înțelegeri.
+
+*Vrei să explorezi și să extinzi un proiect în acest domeniu?*
+
+Consultă ["Emily Dickinson și Metrul Stării de Spirit"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - un exemplu excelent de la [Jen Looper](https://twitter.com/jenlooper) care întreabă cum putem folosi știința datelor pentru a revizita poezia familiară și a reevalua semnificația acesteia și contribuțiile autorului în noi contexte. De exemplu, _putem prezice anotimpul în care a fost scrisă o poezie analizând tonul sau sentimentul acesteia_ - și ce ne spune acest lucru despre starea de spirit a autorului în perioada respectivă?
+
+Pentru a răspunde la această întrebare, urmăm pașii ciclului de viață al științei datelor:
+ * [`Achiziția Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - pentru a colecta un set de date relevant pentru analiză. Opțiunile includ utilizarea unui API (de exemplu, [Poetry DB API](https://poetrydb.org/index.html)) sau extragerea paginilor web (de exemplu, [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) folosind instrumente precum [Scrapy](https://scrapy.org/).
+ * [`Curățarea Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - explică modul în care textul poate fi formatat, curățat și simplificat folosind instrumente de bază precum Visual Studio Code și Microsoft Excel.
+ * [`Analiza Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - explică modul în care putem importa setul de date în "Notebooks" pentru analiză folosind pachete Python (precum pandas, numpy și matplotlib) pentru a organiza și vizualiza datele.
+ * [`Analiza Sentimentului`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - explică modul în care putem integra servicii cloud precum Text Analytics, folosind instrumente low-code precum [Power Automate](https://flow.microsoft.com/en-us/) pentru fluxuri de lucru automate de procesare a datelor.
+
+Folosind acest flux de lucru, putem explora impactul anotimpurilor asupra sentimentului poeziilor și ne putem forma propriile perspective asupra autorului. Încearcă-l și tu - apoi extinde notebook-ul pentru a pune alte întrebări sau pentru a vizualiza datele în moduri noi!
+
+> Poți folosi unele dintre instrumentele din [trusa de instrumente pentru Științele Umaniste Digitale](https://github.com/Digital-Humanities-Toolkit) pentru a urmări aceste direcții de cercetare.
+
+## Știința Datelor + Sustenabilitate
+
+| ![ Sketchnote realizat de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Știința Datelor & Sustenabilitate - _Sketchnote realizat de [@nitya](https://twitter.com/nitya)_              |
+
+[Agenda 2030 pentru Dezvoltare Durabilă](https://sdgs.un.org/2030agenda) - adoptată de toți membrii Națiunilor Unite în 2015 - identifică 17 obiective, inclusiv cele care se concentrează pe **Protejarea Planetei** de degradare și impactul schimbărilor climatice. Inițiativa [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) sprijină aceste obiective explorând moduri în care soluțiile tehnologice pot susține și construi un viitor mai sustenabil, cu un [focalizare pe 4 obiective](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - să fie negative în privința carbonului, pozitive în privința apei, fără deșeuri și biodiversificate până în 2030.
+
+Abordarea acestor provocări într-un mod scalabil și oportun necesită gândire la scară cloud - și date la scară largă. Inițiativa [Planetary Computer](https://planetarycomputer.microsoft.com/) oferă 4 componente pentru a ajuta oamenii de știință și dezvoltatorii de date în acest efort:
+
+ * [Catalogul de Date](https://planetarycomputer.microsoft.com/catalog) - cu petabytes de date despre Sistemele Terestre (gratuite și găzduite pe Azure).
+ * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - pentru a ajuta utilizatorii să caute date relevante în funcție de spațiu și timp.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - mediu gestionat pentru oamenii de știință pentru a procesa seturi masive de date geospațiale.
+ * [Aplicații](https://planetarycomputer.microsoft.com/applications) - prezintă cazuri de utilizare și instrumente pentru perspective asupra sustenabilității.
+**Proiectul Planetary Computer este în faza de previzualizare (din septembrie 2021)** - iată cum poți începe să contribui la soluții de sustenabilitate folosind știința datelor.
+
+* [Solicită acces](https://planetarycomputer.microsoft.com/account/request) pentru a începe explorarea și a te conecta cu colegii.
+* [Explorează documentația](https://planetarycomputer.microsoft.com/docs/overview/about) pentru a înțelege seturile de date și API-urile suportate.
+* Explorează aplicații precum [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) pentru inspirație în dezvoltarea de idei de aplicații.
+
+Gândește-te cum poți utiliza vizualizarea datelor pentru a expune sau amplifica perspective relevante în domenii precum schimbările climatice și defrișările. Sau gândește-te cum pot fi utilizate aceste perspective pentru a crea noi experiențe pentru utilizatori care să motiveze schimbări comportamentale pentru un stil de viață mai sustenabil.
+
+## Știința Datelor + Studenți
+
+Am discutat despre aplicații reale în industrie și cercetare și am explorat exemple de aplicații de știința datelor în domeniul umanistic digital și sustenabilitate. Deci, cum îți poți dezvolta abilitățile și împărtăși expertiza ta ca începător în știința datelor?
+
+Iată câteva exemple de proiecte studențești în știința datelor pentru a te inspira.
+
+ * [Școala de Vară MSR Data Science](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) cu [proiecte](https://github.com/msr-ds3) pe GitHub care explorează subiecte precum:
+    - [Bias rasial în utilizarea forței de către poliție](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+    - [Fiabilitatea sistemului de metrou din NYC](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+ * [Digitalizarea Culturii Materiale: Explorarea distribuțiilor socio-economice în Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - de la [Ornella Altunyan](https://twitter.com/ornelladotcom) și echipa sa de la Claremont, folosind [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Provocare
+
+Caută articole care recomandă proiecte de știința datelor prietenoase pentru începători - cum ar fi [aceste 50 de domenii](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) sau [aceste 21 de idei de proiecte](https://www.intellspot.com/data-science-project-ideas) sau [aceste 16 proiecte cu cod sursă](https://data-flair.training/blogs/data-science-project-ideas/) pe care le poți analiza și adapta. Și nu uita să scrii pe blog despre călătoria ta de învățare și să împărtășești perspectivele tale cu noi toți.
+
+## Test de evaluare după prelegere
+
+[Test de evaluare după prelegere](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Recapitulare & Studiu Individual
+
+Vrei să explorezi mai multe cazuri de utilizare? Iată câteva articole relevante:
+ * [17 Aplicații și Exemple de Știința Datelor](https://builtin.com/data-science/data-science-applications-examples) - iulie 2021
+ * [11 Aplicații Uimitoare ale Științei Datelor în Lumea Reală](https://myblindbird.com/data-science-applications-real-world/) - mai 2021
+ * [Știința Datelor în Lumea Reală](https://towardsdatascience.com/data-science-in-the-real-world/home) - Colecție de articole
+ * Știința Datelor în: [Educație](https://data-flair.training/blogs/data-science-in-education/), [Agricultură](https://data-flair.training/blogs/data-science-in-agriculture/), [Finanțe](https://data-flair.training/blogs/data-science-in-finance/), [Filme](https://data-flair.training/blogs/data-science-at-movies/) și altele.
+
+## Temă
+
+[Explorează un set de date Planetary Computer](assignment.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..85b1c744
--- /dev/null
+++ b/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:52:11+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "ro"
+}
+-->
+# Explorează un Set de Date din Planetary Computer
+
+## Instrucțiuni
+
+În această lecție, am discutat despre diverse domenii de aplicare ale științei datelor - cu exemple detaliate legate de cercetare, sustenabilitate și științe umaniste digitale. În această temă, vei explora unul dintre aceste exemple în detaliu și vei aplica unele dintre cunoștințele tale despre vizualizările și analiza datelor pentru a obține informații despre datele legate de sustenabilitate.
+
+Proiectul [Planetary Computer](https://planetarycomputer.microsoft.com/) oferă seturi de date și API-uri care pot fi accesate cu un cont - solicită unul pentru a încerca pasul bonus al temei. Site-ul oferă, de asemenea, o funcție [Explorer](https://planetarycomputer.microsoft.com/explore) pe care o poți utiliza fără a crea un cont.
+
+`Pași:`
+Interfața Explorer (prezentată în captura de ecran de mai jos) îți permite să selectezi un set de date (din opțiunile oferite), o interogare prestabilită (pentru a filtra datele) și o opțiune de redare (pentru a crea o vizualizare relevantă). În această temă, sarcina ta este să:
+
+ 1. Citești [documentația Explorer](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - înțelege opțiunile disponibile.
+ 2. Explorezi [Catalogul](https://planetarycomputer.microsoft.com/catalog) seturilor de date - află scopul fiecăruia.
+ 3. Utilizezi Explorer - alegi un set de date de interes, selectezi o interogare și o opțiune de redare relevante.
+
+![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ro.png)
+
+`Sarcina ta:`
+Acum studiază vizualizarea afișată în browser și răspunde la următoarele întrebări:
+ * Ce _caracteristici_ are setul de date?
+ * Ce _informații_ sau rezultate oferă vizualizarea?
+ * Care sunt _implicațiile_ acestor informații pentru obiectivele de sustenabilitate ale proiectului?
+ * Care sunt _limitele_ vizualizării (adică, ce informații nu ai obținut)?
+ * Dacă ai putea obține datele brute, ce _vizualizări alternative_ ai crea și de ce?
+
+`Puncte Bonus:`
+Solicită un cont - și conectează-te după ce este aprobat.
+ * Utilizează opțiunea _Launch Hub_ pentru a deschide datele brute într-un Notebook.
+ * Explorează datele interactiv și implementează vizualizările alternative pe care le-ai gândit.
+ * Analizează acum vizualizările tale personalizate - ai reușit să obții informațiile care îți lipseau anterior?
+
+## Criterii de Evaluare
+
+Exemplar | Adequat | Necesită Îmbunătățiri
+--- | --- | -- |
+Toate cele cinci întrebări principale au fost răspunse. Studentul a identificat clar cum vizualizările actuale și alternative ar putea oferi informații despre obiectivele sau rezultatele sustenabilității. | Studentul a răspuns cel puțin la primele 3 întrebări în detaliu, demonstrând că a avut experiență practică cu Explorer. | Studentul nu a răspuns la mai multe întrebări sau a oferit detalii insuficiente - indicând că nu s-a făcut un efort semnificativ pentru proiect. |
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/6-Data-Science-In-Wild/README.md b/translations/ro/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..6b49f8fe
--- /dev/null
+++ b/translations/ro/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:44:16+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "ro"
+}
+-->
+# Știința Datelor în Lumea Reală
+
+Aplicații reale ale științei datelor în diverse industrii.
+
+### Subiecte
+
+1. [Știința Datelor în Lumea Reală](20-Real-World-Examples/README.md)
+
+### Credite
+
+Scris cu ❤️ de [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși depunem eforturi pentru a asigura acuratețea, vă rugăm să aveți în vedere că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/CODE_OF_CONDUCT.md b/translations/ro/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..fc10139c
--- /dev/null
+++ b/translations/ro/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:24:09+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "ro"
+}
+-->
+# Codul de Conduită pentru Proiectele Open Source Microsoft
+
+Acest proiect a adoptat [Codul de Conduită pentru Proiectele Open Source Microsoft](https://opensource.microsoft.com/codeofconduct/).
+
+Resurse:
+
+- [Codul de Conduită pentru Proiectele Open Source Microsoft](https://opensource.microsoft.com/codeofconduct/)
+- [Întrebări frecvente despre Codul de Conduită Microsoft](https://opensource.microsoft.com/codeofconduct/faq/)
+- Contactați [opencode@microsoft.com](mailto:opencode@microsoft.com) pentru întrebări sau nelămuriri
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/CONTRIBUTING.md b/translations/ro/CONTRIBUTING.md
new file mode 100644
index 00000000..7f50ffcd
--- /dev/null
+++ b/translations/ro/CONTRIBUTING.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:27:01+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "ro"
+}
+-->
+# Contribuții
+
+Acest proiect acceptă contribuții și sugestii. Majoritatea contribuțiilor necesită ca tu să fii de acord cu un Acord de Licență pentru Contribuitori (CLA), declarând că ai dreptul și, de fapt, acorzi drepturile necesare pentru ca noi să folosim contribuția ta. Pentru detalii, vizitează https://cla.microsoft.com.
+
+Când trimiți un pull request, un bot CLA va determina automat dacă este necesar să furnizezi un CLA și va marca PR-ul corespunzător (de exemplu, etichetă, comentariu). Urmează pur și simplu instrucțiunile oferite de bot. Va trebui să faci acest lucru o singură dată pentru toate depozitele care utilizează CLA-ul nostru.
+
+Acest proiect a adoptat [Codul de Conduită Microsoft pentru Open Source](https://opensource.microsoft.com/codeofconduct/).
+Pentru mai multe informații, consultă [Întrebări frecvente despre Codul de Conduită](https://opensource.microsoft.com/codeofconduct/faq/)
+sau contactează [opencode@microsoft.com](mailto:opencode@microsoft.com) pentru orice întrebări sau comentarii suplimentare.
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/README.md b/translations/ro/README.md
new file mode 100644
index 00000000..c5ddde05
--- /dev/null
+++ b/translations/ro/README.md
@@ -0,0 +1,164 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:18:49+00:00",
+  "source_file": "README.md",
+  "language_code": "ro"
+}
+-->
+# Data Science pentru Începători - Un Curriculum
+
+Azure Cloud Advocates de la Microsoft sunt încântați să ofere un curriculum de 10 săptămâni, cu 20 de lecții, despre Știința Datelor. Fiecare lecție include teste înainte și după lecție, instrucțiuni scrise pentru completarea lecției, o soluție și o temă. Pedagogia noastră bazată pe proiecte vă permite să învățați construind, o metodă dovedită pentru a fixa noile abilități.
+
+**Mulțumiri sincere autorilor noștri:** [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).
+
+**🙏 Mulțumiri speciale 🙏 autorilor, recenzorilor și contributorilor de conținut [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** printre care 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 de [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| Știința Datelor pentru Începători - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+## Anunț - A fost lansat un nou curriculum despre AI Generativ!
+
+Am lansat un curriculum de 12 lecții despre AI generativ. Vino să înveți lucruri precum:
+
+- crearea și optimizarea de prompturi
+- generarea de aplicații text și imagine
+- aplicații de căutare
+
+Ca de obicei, fiecare lecție include teme de completat, verificări de cunoștințe și provocări.
+
+Descoperă mai multe:
+
+> https://aka.ms/genai-beginners
+
+# Ești student?
+
+Începe cu următoarele resurse:
+
+- [Pagina Hub pentru Studenți](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) În această pagină vei găsi resurse pentru începători, pachete pentru studenți și chiar modalități de a obține un voucher gratuit pentru certificare. Este o pagină pe care merită să o salvezi și să o verifici periodic, deoarece conținutul este actualizat cel puțin lunar.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Alătură-te unei comunități globale de ambasadori studenți, aceasta ar putea fi calea ta către Microsoft.
+
+# Începe
+
+> **Profesori**: am [inclus câteva sugestii](for-teachers.md) despre cum să utilizați acest curriculum. Ne-ar plăcea să primim feedback-ul vostru [în forumul nostru de discuții](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Studenți](https://aka.ms/student-page)**: pentru a utiliza acest curriculum pe cont propriu, faceți fork la întregul repo și completați exercițiile pe cont propriu, începând cu un test înainte de lecție. Apoi citiți lecția și completați restul activităților. Încercați să creați proiectele înțelegând lecțiile, mai degrabă decât copiind codul soluției; totuși, acel cod este disponibil în folderele /solutions din fiecare lecție orientată pe proiect. O altă idee ar fi să formați un grup de studiu cu prietenii și să parcurgeți conținutul împreună. Pentru studii suplimentare, recomandăm [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Cunoaște echipa
+
+[![Video promoțional](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Video promoțional")
+
+**Gif realizat de** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Click pe imaginea de mai sus pentru un video despre proiect și despre cei care l-au creat!
+
+## Pedagogie
+
+Am ales două principii pedagogice în construirea acestui curriculum: asigurarea că este bazat pe proiecte și includerea de teste frecvente. Până la sfârșitul acestei serii, studenții vor fi învățat principiile de bază ale științei datelor, inclusiv concepte etice, pregătirea datelor, diferite moduri de a lucra cu date, vizualizarea datelor, analiza datelor, cazuri reale de utilizare ale științei datelor și multe altele.
+
+În plus, un test cu miză redusă înainte de o clasă setează intenția studentului de a învăța un subiect, în timp ce un al doilea test după clasă asigură o mai bună retenție. Acest curriculum a fost conceput să fie flexibil și distractiv și poate fi parcurs în întregime sau parțial. Proiectele încep mici și devin din ce în ce mai complexe până la sfârșitul ciclului de 10 săptămâni.
+
+> Găsiți [Codul nostru de Conduită](CODE_OF_CONDUCT.md), [Contribuții](CONTRIBUTING.md), [Ghiduri de Traducere](TRANSLATIONS.md). Apreciem feedback-ul vostru constructiv!
+
+## Fiecare lecție include:
+
+- Sketchnote opțional
+- Video suplimentar opțional
+- Test de încălzire înainte de lecție
+- Lecție scrisă
+- Pentru lecțiile bazate pe proiecte, ghiduri pas cu pas despre cum să construiți proiectul
+- Verificări de cunoștințe
+- O provocare
+- Lectură suplimentară
+- Temă
+- Test după lecție
+
+> **O notă despre teste**: Toate testele sunt conținute în folderul Quiz-App, pentru un total de 40 de teste, fiecare cu trei întrebări. Ele sunt legate din lecții, dar aplicația de teste poate fi rulată local sau implementată pe Azure; urmați instrucțiunile din folderul `quiz-app`. Ele sunt treptat localizate.
+
+## Lecții
+
+|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Știința Datelor pentru Începători: Planificare - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
+
+| Număr Lecție | Subiect | Grupare Lecție | Obiective de Învățare | Lecție Legată | Autor |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Definirea Științei Datelor | [Introducere](1-Introduction/README.md) | Învață conceptele de bază ale științei datelor și cum este aceasta legată de inteligența artificială, învățarea automată și big data. | [lecție](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Etica în Știința Datelor | [Introducere](1-Introduction/README.md) | Concepte, provocări și cadre etice în știința datelor. | [lecție](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Definirea Datelor | [Introducere](1-Introduction/README.md) | Cum sunt clasificate datele și sursele lor comune. | [lecție](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Introducere în Statistică și Probabilitate | [Introducere](1-Introduction/README.md) | Tehnici matematice de probabilitate și statistică pentru a înțelege datele. | [lecție](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Lucrul cu Date Relaționale | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în datele relaționale și elementele de bază ale explorării și analizei datelor relaționale cu Structured Query Language, cunoscut și sub numele de SQL (pronunțat „see-quell”). | [lecție](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Lucrul cu Date NoSQL | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în datele non-relaționale, diferitele lor tipuri și elementele de bază ale explorării și analizei bazelor de date document. | [lecție](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Lucrul cu Python | [Lucrul cu Date](2-Working-With-Data/README.md) | Bazele utilizării Python pentru explorarea datelor cu biblioteci precum Pandas. Se recomandă o înțelegere fundamentală a programării în Python. | [lecție](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Pregătirea Datelor | [Lucrul cu Date](2-Working-With-Data/README.md) | Subiecte despre tehnici de curățare și transformare a datelor pentru a gestiona provocările legate de date lipsă, inexacte sau incomplete. | [lecție](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Vizualizarea Cantităților | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Învață cum să folosești Matplotlib pentru a vizualiza date despre păsări 🦆 | [lecție](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Vizualizarea Distribuțiilor Datelor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea observațiilor și tendințelor într-un interval. | [lecție](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Vizualizarea Proporțiilor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea procentajelor discrete și grupate. | [lecție](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Vizualizarea Relațiilor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea conexiunilor și corelațiilor dintre seturi de date și variabilele acestora. | [lecție](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Vizualizări Semnificative | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Tehnici și sfaturi pentru a face vizualizările valoroase în rezolvarea eficientă a problemelor și obținerea de perspective. | [lecție](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Introducere în ciclul de viață al științei datelor | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Introducere în ciclul de viață al științei datelor și primul său pas: achiziția și extragerea datelor. | [lecție](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Analiza | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe tehnici de analiză a datelor. | [lecție](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Comunicarea | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe prezentarea perspectivelor obținute din date într-un mod ușor de înțeles pentru factorii de decizie. | [lecție](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Această serie de lecții introduce știința datelor în cloud și beneficiile acesteia. | [lecție](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) |
+| 18 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Antrenarea modelelor folosind instrumente Low Code. | [lecție](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) |
+| 19 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Implementarea modelelor cu Azure Machine Learning Studio. | [lecție](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) |
+| 20 | Știința Datelor în Lumea Reală | [În Lumea Reală](6-Data-Science-In-Wild/README.md) | Proiecte bazate pe știința datelor în lumea reală. | [lecție](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Urmează acești pași pentru a deschide acest exemplu într-un Codespace:
+1. Fă clic pe meniul derulant Code și selectează opțiunea Open with Codespaces.
+2. Selectează + New codespace în partea de jos a panoului.
+Pentru mai multe informații, consultă [documentația GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Urmează acești pași pentru a deschide acest repo într-un container folosind mașina ta locală și VSCode cu extensia VS Code Remote - Containers:
+
+1. Dacă este prima dată când folosești un container de dezvoltare, asigură-te că sistemul tău îndeplinește cerințele preliminare (de exemplu, să ai Docker instalat) din [documentația de început](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+Pentru a folosi acest depozit, poți fie să deschizi depozitul într-un volum Docker izolat:
+
+**Notă**: În fundal, aceasta va folosi comanda Remote-Containers: **Clone Repository in Container Volume...** pentru a clona codul sursă într-un volum Docker în loc de sistemul de fișiere local. [Volumurile](https://docs.docker.com/storage/volumes/) sunt mecanismul preferat pentru a persista datele containerului.
+
+Sau să deschizi o versiune clonată sau descărcată local a depozitului:
+
+- Clonează acest depozit pe sistemul tău local.
+- Apasă F1 și selectează comanda **Remote-Containers: Open Folder in Container...**.
+- Selectează copia clonată a acestui folder, așteaptă să pornească containerul și testează-l.
+
+## Acces offline
+
+Poți rula această documentație offline folosind [Docsify](https://docsify.js.org/#/). Clonează acest repo, [instalează Docsify](https://docsify.js.org/#/quickstart) pe mașina ta locală, apoi în folderul rădăcină al acestui repo, tastează `docsify serve`. Website-ul va fi servit pe portul 3000 pe localhost-ul tău: `localhost:3000`.
+
+> Notă, notebook-urile nu vor fi afișate prin Docsify, așa că atunci când ai nevoie să rulezi un notebook, fă acest lucru separat în VS Code folosind un kernel Python.
+
+## Ajutor necesar!
+
+Dacă dorești să traduci tot sau o parte din curriculum, te rugăm să urmezi ghidul nostru [Translations](TRANSLATIONS.md).
+
+## Alte Curricula
+
+Echipa noastră produce alte curricula! Consultă:
+
+- [Generative AI pentru Începători](https://aka.ms/genai-beginners)
+- [Generative AI pentru Începători .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generative AI cu JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generative AI cu Java](https://aka.ms/genaijava)
+- [AI pentru Începători](https://aka.ms/ai-beginners)
+- [Știința Datelor pentru Începători](https://aka.ms/datascience-beginners)
+- [ML pentru Începători](https://aka.ms/ml-beginners)
+- [Securitate Cibernetică pentru Începători](https://github.com/microsoft/Security-101) 
+- [Dezvoltare Web pentru Începători](https://aka.ms/webdev-beginners)
+- [IoT pentru Începători](https://aka.ms/iot-beginners)
+- [Dezvoltare XR pentru Începători](https://github.com/microsoft/xr-development-for-beginners)
+- [Stăpânirea GitHub Copilot pentru Programare în Pereche](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Stăpânirea GitHub Copilot pentru Dezvoltatori C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Alege-ți propria aventură Copilot](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa maternă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/SECURITY.md b/translations/ro/SECURITY.md
new file mode 100644
index 00000000..3d55bf87
--- /dev/null
+++ b/translations/ro/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:25:54+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "ro"
+}
+-->
+## Securitate
+
+Microsoft tratează cu maximă seriozitate securitatea produselor și serviciilor noastre software, inclusiv toate depozitele de cod sursă gestionate prin organizațiile noastre GitHub, care includ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) și [organizațiile noastre GitHub](https://opensource.microsoft.com/).
+
+Dacă credeți că ați descoperit o vulnerabilitate de securitate într-un depozit deținut de Microsoft care se încadrează în [definiția Microsoft a unei vulnerabilități de securitate](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), vă rugăm să ne-o raportați conform indicațiilor de mai jos.
+
+## Raportarea problemelor de securitate
+
+**Vă rugăm să nu raportați vulnerabilitățile de securitate prin intermediul problemelor publice de pe GitHub.**
+
+În schimb, raportați-le către Microsoft Security Response Center (MSRC) la [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Dacă preferați să trimiteți raportul fără a vă autentifica, trimiteți un e-mail la [secure@microsoft.com](mailto:secure@microsoft.com). Dacă este posibil, criptați mesajul folosind cheia noastră PGP; o puteți descărca de pe [pagina Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Ar trebui să primiți un răspuns în termen de 24 de ore. Dacă, dintr-un motiv oarecare, nu primiți un răspuns, vă rugăm să reveniți prin e-mail pentru a vă asigura că am primit mesajul inițial. Informații suplimentare pot fi găsite la [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Vă rugăm să includeți informațiile solicitate mai jos (atât cât puteți furniza) pentru a ne ajuta să înțelegem mai bine natura și amploarea problemei posibile:
+
+  * Tipul problemei (de exemplu, depășire de buffer, injecție SQL, cross-site scripting etc.)
+  * Căile complete ale fișierelor sursă legate de manifestarea problemei
+  * Locația codului sursă afectat (tag/branch/commit sau URL direct)
+  * Orice configurație specială necesară pentru a reproduce problema
+  * Instrucțiuni pas cu pas pentru a reproduce problema
+  * Cod de tip proof-of-concept sau exploit (dacă este posibil)
+  * Impactul problemei, inclusiv modul în care un atacator ar putea exploata problema
+
+Aceste informații ne vor ajuta să prioritizăm mai rapid raportul dumneavoastră.
+
+Dacă raportați în cadrul unui program de recompense pentru bug-uri, rapoartele mai detaliate pot contribui la o recompensă mai mare. Vă rugăm să vizitați pagina noastră [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) pentru mai multe detalii despre programele noastre active.
+
+## Limbi preferate
+
+Preferăm ca toate comunicările să fie în limba engleză.
+
+## Politică
+
+Microsoft urmează principiul [Dezvăluirii Coordonate a Vulnerabilităților](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/SUPPORT.md b/translations/ro/SUPPORT.md
new file mode 100644
index 00000000..2111c9e8
--- /dev/null
+++ b/translations/ro/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:31+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "ro"
+}
+-->
+# Suport
+## Cum să raportezi probleme și să obții ajutor  
+
+Acest proiect utilizează GitHub Issues pentru a urmări erorile și cererile de funcționalități. Te rugăm să cauți printre problemele existente înainte de a raporta altele noi, pentru a evita duplicatele. Pentru probleme noi, raportează eroarea sau cererea ta de funcționalitate ca o problemă nouă.
+
+Pentru ajutor și întrebări legate de utilizarea acestui proiect, raportează o problemă.
+
+## Politica de suport Microsoft  
+
+Suportul pentru acest depozit este limitat la resursele enumerate mai sus.
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/docs/_sidebar.md b/translations/ro/docs/_sidebar.md
new file mode 100644
index 00000000..c6cd5208
--- /dev/null
+++ b/translations/ro/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:59:04+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "ro"
+}
+-->
+- Introducere
+  - [Definirea Științei Datelor](../1-Introduction/01-defining-data-science/README.md)
+  - [Etica în Știința Datelor](../1-Introduction/02-ethics/README.md)
+  - [Definirea Datelor](../1-Introduction/03-defining-data/README.md)
+  - [Probabilitate și Statistică](../1-Introduction/04-stats-and-probability/README.md)
+- Lucrul cu Datele
+  - [Baze de Date Relaționale](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Baze de Date Nonrelaționale](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Pregătirea Datelor](../2-Working-With-Data/08-data-preparation/README.md)
+- Vizualizarea Datelor
+  - [Vizualizarea Cantităților](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Vizualizarea Distribuțiilor](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Vizualizarea Proporțiilor](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Vizualizarea Relațiilor](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Vizualizări Semnificative](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Ciclu de Viață în Știința Datelor
+  - [Introducere](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Analiză](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Comunicare](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Știința Datelor în Cloud
+  - [Introducere](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Știința Datelor în Lumea Reală
+  - [Știința Datelor în Lumea Reală](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/for-teachers.md b/translations/ro/for-teachers.md
new file mode 100644
index 00000000..76713c89
--- /dev/null
+++ b/translations/ro/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:22:56+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "ro"
+}
+-->
+## Pentru Educatori
+
+Doriți să utilizați acest curriculum în sala de clasă? Vă rugăm, simțiți-vă liberi să o faceți!
+
+De fapt, puteți să-l utilizați direct pe GitHub folosind GitHub Classroom.
+
+Pentru a face acest lucru, faceți un fork al acestui repo. Va trebui să creați un repo pentru fiecare lecție, așa că va trebui să extrageți fiecare folder într-un repo separat. În acest fel, [GitHub Classroom](https://classroom.github.com/classrooms) poate prelua fiecare lecție separat.
+
+Aceste [instrucțiuni complete](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vă vor oferi o idee despre cum să vă configurați sala de clasă.
+
+## Utilizarea repo-ului așa cum este
+
+Dacă doriți să utilizați acest repo în forma sa actuală, fără a folosi GitHub Classroom, acest lucru este posibil. Va trebui să comunicați cu studenții despre lecția pe care să o parcurgeți împreună.
+
+Într-un format online (Zoom, Teams sau altceva), puteți crea săli de lucru pentru chestionare și să îndrumați studenții pentru a-i pregăti să învețe. Apoi, invitați studenții să rezolve chestionarele și să trimită răspunsurile lor ca 'issues' la un moment stabilit. Puteți face același lucru cu temele, dacă doriți ca studenții să lucreze colaborativ în mod deschis.
+
+Dacă preferați un format mai privat, cereți studenților să facă fork la curriculum, lecție cu lecție, în propriile lor repo-uri GitHub private și să vă ofere acces. Apoi, aceștia pot completa chestionarele și temele în mod privat și să vi le trimită prin issues pe repo-ul dvs. de clasă.
+
+Există multe moduri de a face acest lucru să funcționeze într-un format de clasă online. Vă rugăm să ne spuneți ce funcționează cel mai bine pentru dvs.!
+
+## Inclus în acest curriculum:
+
+20 de lecții, 40 de chestionare și 20 de teme. Lecțiile sunt însoțite de schițe pentru cei care învață vizual. Multe lecții sunt disponibile atât în Python, cât și în R și pot fi completate folosind Jupyter notebooks în VS Code. Aflați mai multe despre cum să vă configurați sala de clasă pentru a utiliza acest stack tehnologic: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Toate schițele, inclusiv un poster de mari dimensiuni, se află în [acest folder](../../sketchnotes).
+
+Întregul curriculum este disponibil [ca PDF](../../pdf/readme.pdf).
+
+De asemenea, puteți rula acest curriculum ca un site web independent, prietenos offline, folosind [Docsify](https://docsify.js.org/#/). [Instalați Docsify](https://docsify.js.org/#/quickstart) pe mașina dvs. locală, apoi în folderul rădăcină al unei copii locale a acestui repo, tastați `docsify serve`. Site-ul web va fi servit pe portul 3000 pe localhost-ul dvs.: `localhost:3000`.
+
+O versiune prietenoasă offline a curriculumului se va deschide ca o pagină web independentă: https://localhost:3000
+
+Lecțiile sunt grupate în 6 părți:
+
+- 1: Introducere
+    - 1: Definirea Științei Datelor
+    - 2: Etică
+    - 3: Definirea Datelor
+    - 4: Prezentare Generală a Probabilității și Statisticii
+- 2: Lucrul cu Datele
+    - 5: Baze de Date Relaționale
+    - 6: Baze de Date Non-Relaționale
+    - 7: Python
+    - 8: Pregătirea Datelor
+- 3: Vizualizarea Datelor
+    - 9: Vizualizarea Cantităților
+    - 10: Vizualizarea Distribuțiilor
+    - 11: Vizualizarea Proporțiilor
+    - 12: Vizualizarea Relațiilor
+    - 13: Vizualizări Semnificative
+- 4: Ciclu de Viață al Științei Datelor
+    - 14: Introducere
+    - 15: Analiză
+    - 16: Comunicare
+- 5: Știința Datelor în Cloud
+    - 17: Introducere
+    - 18: Opțiuni Low-Code
+    - 19: Azure
+- 6: Știința Datelor în Lumea Reală
+    - 20: Prezentare Generală
+
+## Vă rugăm să ne oferiți părerile dvs.!
+
+Dorim să facem acest curriculum să funcționeze pentru dvs. și studenții dvs. Vă rugăm să ne oferiți feedback pe forumurile de discuții! Simțiți-vă liberi să creați o zonă de clasă pe forumurile de discuții pentru studenții dvs.
+
+---
+
+**Declinarea responsabilității**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/quiz-app/README.md b/translations/ro/quiz-app/README.md
new file mode 100644
index 00000000..9d530bec
--- /dev/null
+++ b/translations/ro/quiz-app/README.md
@@ -0,0 +1,139 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:19:53+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "ro"
+}
+-->
+# Chestionare
+
+Aceste chestionare sunt chestionarele de dinaintea și de după lecții pentru curriculumul de știința datelor de la https://aka.ms/datascience-beginners
+
+## Adăugarea unui set de chestionare traduse
+
+Adaugă o traducere a unui chestionar creând structuri de chestionare corespunzătoare în folderele `assets/translations`. Chestionarele canonice se află în `assets/translations/en`. Chestionarele sunt împărțite în mai multe grupuri. Asigură-te că numerotarea este aliniată cu secțiunea corectă a chestionarului. În acest curriculum sunt în total 40 de chestionare, numerotarea începând de la 0.
+
+După ce editezi traducerile, editează fișierul `index.js` din folderul de traduceri pentru a importa toate fișierele, urmând convențiile din `en`.
+
+Editează fișierul `index.js` din `assets/translations` pentru a importa noile fișiere traduse.
+
+Apoi, editează meniul dropdown din `App.vue` din această aplicație pentru a adăuga limba ta. Potrivește abrevierea localizată cu numele folderului pentru limba ta.
+
+În cele din urmă, editează toate linkurile chestionarelor din lecțiile traduse, dacă există, pentru a include această localizare ca parametru de interogare: `?loc=fr`, de exemplu.
+
+## Configurarea proiectului
+
+```
+npm install
+```
+
+### Compilează și reîncarcă automat pentru dezvoltare
+
+```
+npm run serve
+```
+
+### Compilează și minimizează pentru producție
+
+```
+npm run build
+```
+
+### Verifică și repară fișierele
+
+```
+npm run lint
+```
+
+### Personalizează configurația
+
+Vezi [Referința de Configurare](https://cli.vuejs.org/config/).
+
+Credite: Mulțumiri versiunii originale a acestei aplicații de chestionare: https://github.com/arpan45/simple-quiz-vue
+
+## Publicarea pe Azure
+
+Iată un ghid pas cu pas pentru a te ajuta să începi:
+
+1. Clonează un Repository GitHub  
+Asigură-te că codul aplicației tale web statice se află în repository-ul tău GitHub. Clonează acest repository.
+
+2. Creează o aplicație web statică pe Azure  
+- Creează un [cont Azure](http://azure.microsoft.com)  
+- Accesează [portalul Azure](https://portal.azure.com)  
+- Dă clic pe „Create a resource” și caută „Static Web App”.  
+- Dă clic pe „Create”.  
+
+3. Configurează aplicația web statică  
+- **Bazele**:  
+  - Subscription: Selectează abonamentul tău Azure.  
+  - Resource Group: Creează un nou grup de resurse sau folosește unul existent.  
+  - Name: Oferă un nume aplicației tale web statice.  
+  - Region: Alege regiunea cea mai apropiată de utilizatorii tăi.  
+
+- **Detalii despre implementare**:  
+  - Source: Selectează „GitHub”.  
+  - GitHub Account: Autorizează Azure să acceseze contul tău GitHub.  
+  - Organization: Selectează organizația ta GitHub.  
+  - Repository: Alege repository-ul care conține aplicația ta web statică.  
+  - Branch: Selectează ramura din care vrei să implementezi.  
+
+- **Detalii despre build**:  
+  - Build Presets: Alege framework-ul cu care este construită aplicația ta (de exemplu, React, Angular, Vue etc.).  
+  - App Location: Specifică folderul care conține codul aplicației tale (de exemplu, / dacă este în rădăcină).  
+  - API Location: Dacă ai un API, specifică locația acestuia (opțional).  
+  - Output Location: Specifică folderul unde este generat output-ul build-ului (de exemplu, build sau dist).  
+
+4. Revizuiește și creează  
+Revizuiește setările și dă clic pe „Create”. Azure va configura resursele necesare și va crea un workflow GitHub Actions în repository-ul tău.  
+
+5. Workflow GitHub Actions  
+Azure va crea automat un fișier workflow GitHub Actions în repository-ul tău (.github/workflows/azure-static-web-apps-<name>.yml). Acest workflow va gestiona procesul de build și implementare.  
+
+6. Monitorizează implementarea  
+Accesează tab-ul „Actions” din repository-ul tău GitHub.  
+Ar trebui să vezi un workflow în desfășurare. Acest workflow va construi și implementa aplicația ta web statică pe Azure.  
+După ce workflow-ul se finalizează, aplicația ta va fi live pe URL-ul furnizat de Azure.  
+
+### Exemplu de fișier Workflow
+
+Iată un exemplu de cum ar putea arăta fișierul workflow GitHub Actions:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Resurse suplimentare  
+- [Documentația Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [Documentația GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/ro/sketchnotes/README.md b/translations/ro/sketchnotes/README.md
new file mode 100644
index 00000000..810143b5
--- /dev/null
+++ b/translations/ro/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:41+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "ro"
+}
+-->
+Găsește toate notițele schițate aici!
+
+## Credite
+
+Nitya Narasimhan, artist
+
+![notiță schițată cu planificare](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ro.png)
+
+---
+
+**Declinare de responsabilitate**:  
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/01-defining-data-science/README.md b/translations/sk/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..2b58a672
--- /dev/null
+++ b/translations/sk/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,80 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:21:27+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "sk"
+}
+-->
+## Typy údajov
+
+Ako sme už spomenuli, údaje sú všade okolo nás. Stačí ich len správne zachytiť! Je užitočné rozlišovať medzi **štruktúrovanými** a **neštruktúrovanými** údajmi. Prvé sú zvyčajne reprezentované v nejakej dobre štruktúrovanej forme, často ako tabuľka alebo množstvo tabuliek, zatiaľ čo druhé sú len zbierkou súborov. Niekedy môžeme hovoriť aj o **polostruktúrovaných** údajoch, ktoré majú určitú štruktúru, no tá sa môže značne líšiť.
+
+| Štruktúrované                                                              | Polostruktúrované                                                                            | Neštruktúrované                        |
+| -------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- | -------------------------------------- |
+| Zoznam ľudí s ich telefónnymi číslami                                      | Stránky Wikipédie s odkazmi                                                                 | Text Encyklopédie Britannica          |
+| Teplota vo všetkých miestnostiach budovy každú minútu za posledných 20 rokov | Zbierka vedeckých článkov vo formáte JSON s autormi, dátumom publikácie a abstraktom         | Zdieľaný priečinok s firemnými dokumentmi |
+| Údaje o veku a pohlaví všetkých ľudí vstupujúcich do budovy                | Internetové stránky                                                                         | Surový videozáznam z bezpečnostnej kamery |
+
+## Odkiaľ získať údaje
+
+Existuje mnoho možných zdrojov údajov, a bolo by nemožné ich všetky vymenovať! Spomeňme si však niektoré typické miesta, kde môžete údaje získať:
+
+* **Štruktúrované**
+  - **Internet vecí** (IoT), vrátane údajov z rôznych senzorov, ako sú senzory teploty alebo tlaku, poskytuje množstvo užitočných údajov. Napríklad, ak je kancelárska budova vybavená IoT senzormi, môžeme automaticky riadiť kúrenie a osvetlenie, aby sme minimalizovali náklady.
+  - **Prieskumy**, ktoré žiadame používateľov vyplniť po nákupe alebo po návšteve webovej stránky.
+  - **Analýza správania** nám môže napríklad pomôcť pochopiť, ako hlboko používateľ prechádza stránkou a aký je typický dôvod jej opustenia.
+* **Neštruktúrované**
+  - **Texty** môžu byť bohatým zdrojom poznatkov, ako napríklad celkový **sentiment skóre** alebo extrakcia kľúčových slov a sémantického významu.
+  - **Obrázky** alebo **video**. Video z bezpečnostnej kamery môže byť použité na odhad dopravy na ceste a informovanie ľudí o možných dopravných zápchach.
+  - **Logy** webových serverov môžu byť použité na pochopenie, ktoré stránky našej webovej stránky sú najčastejšie navštevované a ako dlho.
+* **Polostruktúrované**
+  - **Grafy sociálnych sietí** môžu byť skvelým zdrojom údajov o osobnostiach používateľov a ich potenciálnej efektivite pri šírení informácií.
+  - Ak máme množstvo fotografií z večierka, môžeme sa pokúsiť extrahovať údaje o **skupinovej dynamike** vytvorením grafu ľudí, ktorí sa fotili spolu.
+
+Poznaním rôznych možných zdrojov údajov môžete premýšľať o rôznych scenároch, kde môžu byť techniky dátovej vedy aplikované na lepšie pochopenie situácie a zlepšenie obchodných procesov.
+
+## Čo môžete robiť s údajmi
+
+V dátovej vede sa zameriavame na nasledujúce kroky v práci s údajmi:
+
+Samozrejme, v závislosti od konkrétnych údajov môžu niektoré kroky chýbať (napr. keď už máme údaje v databáze alebo keď nepotrebujeme trénovať model), alebo sa niektoré kroky môžu opakovať viackrát (napríklad spracovanie údajov).
+
+## Digitalizácia a digitálna transformácia
+
+V poslednom desaťročí si mnoho firiem začalo uvedomovať dôležitosť údajov pri rozhodovaní. Aby bolo možné aplikovať princípy dátovej vedy na riadenie podniku, je najprv potrebné zhromaždiť nejaké údaje, t. j. preložiť obchodné procesy do digitálnej podoby. Toto sa nazýva **digitalizácia**. Aplikácia techník dátovej vedy na tieto údaje na podporu rozhodovania môže viesť k výraznému zvýšeniu produktivity (alebo dokonca k zmene obchodného modelu), čo sa nazýva **digitálna transformácia**.
+
+Pozrime sa na príklad. Predstavme si, že máme kurz dátovej vedy (ako tento), ktorý poskytujeme online študentom, a chceme ho zlepšiť pomocou dátovej vedy. Ako to môžeme urobiť?
+
+Môžeme začať otázkou „Čo môžeme digitalizovať?“ Najjednoduchším spôsobom by bolo merať čas, ktorý každému študentovi trvá dokončenie každého modulu, a merať získané vedomosti pomocou testu s výberom odpovedí na konci každého modulu. Priemerovaním času na dokončenie medzi všetkými študentmi môžeme zistiť, ktoré moduly spôsobujú študentom najväčšie ťažkosti, a pracovať na ich zjednodušení.
+Môžete namietať, že tento prístup nie je ideálny, pretože moduly môžu mať rôznu dĺžku. Pravdepodobne by bolo spravodlivejšie rozdeliť čas podľa dĺžky modulu (v počte znakov) a namiesto toho porovnať tieto hodnoty.
+Keď začneme analyzovať výsledky testov s výberom odpovede, môžeme sa pokúsiť určiť, ktoré koncepty robia študentom problémy, a použiť tieto informácie na zlepšenie obsahu. Aby sme to dosiahli, musíme navrhnúť testy tak, aby každá otázka bola spojená s konkrétnym konceptom alebo časťou vedomostí.
+
+Ak chceme ísť ešte ďalej, môžeme porovnať čas potrebný na dokončenie každého modulu s vekovou kategóriou študentov. Môžeme zistiť, že pre niektoré vekové kategórie trvá dokončenie modulu neprimerane dlho, alebo že študenti odchádzajú pred jeho dokončením. To nám môže pomôcť poskytnúť vekové odporúčania pre modul a minimalizovať nespokojnosť ľudí spôsobenú nesprávnymi očakávaniami.
+
+## 🚀 Výzva
+
+V tejto výzve sa pokúsime nájsť koncepty relevantné pre oblasť dátovej vedy analýzou textov. Vezmeme článok z Wikipédie o dátovej vede, stiahneme a spracujeme text, a potom vytvoríme slovný mrak, ako je tento:
+
+![Slovný mrak pre dátovú vedu](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sk.png)
+
+Navštívte [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), aby ste si prešli kód. Môžete tiež spustiť kód a sledovať, ako vykonáva všetky transformácie dát v reálnom čase.
+
+> Ak neviete, ako spustiť kód v Jupyter Notebooku, pozrite si [tento článok](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Úlohy
+
+* **Úloha 1**: Upraviť vyššie uvedený kód na vyhľadanie súvisiacich konceptov pre oblasti **Big Data** a **Machine Learning**
+* **Úloha 2**: [Premýšľajte o scenároch dátovej vedy](assignment.md)
+
+## Kredity
+
+Táto lekcia bola vytvorená s ♥️ od [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/01-defining-data-science/assignment.md b/translations/sk/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..b59b961b
--- /dev/null
+++ b/translations/sk/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,45 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:24:59+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Zadanie: Scenáre dátovej vedy
+
+V tomto prvom zadaní vás žiadame, aby ste premýšľali o nejakom reálnom procese alebo probléme v rôznych oblastiach a o tom, ako ho môžete zlepšiť pomocou procesu dátovej vedy. Zamyslite sa nad nasledujúcimi otázkami:
+
+1. Aké údaje môžete zhromaždiť?
+1. Ako by ste ich zhromažďovali?
+1. Ako by ste údaje uložili? Aké veľké údaje pravdepodobne budú?
+1. Aké poznatky by ste mohli z týchto údajov získať? Aké rozhodnutia by sme mohli na základe údajov urobiť?
+
+Skúste premýšľať o 3 rôznych problémoch/procesoch a popíšte každý z vyššie uvedených bodov pre každú oblasť.
+
+Tu sú niektoré oblasti a problémy, ktoré vám môžu pomôcť začať premýšľať:
+
+1. Ako môžete použiť údaje na zlepšenie vzdelávacieho procesu detí v školách?
+1. Ako môžete použiť údaje na kontrolu očkovania počas pandémie?
+1. Ako môžete použiť údaje na zabezpečenie produktivity v práci?
+## Pokyny
+
+Vyplňte nasledujúcu tabuľku (ak je to potrebné, nahraďte navrhované oblasti vlastnými):
+
+| Oblasť | Problém | Aké údaje zhromaždiť | Ako uložiť údaje | Aké poznatky/rozhodnutia môžeme urobiť | 
+|--------|---------|----------------------|------------------|---------------------------------------|
+| Vzdelávanie | | | | |
+| Očkovanie | | | | |
+| Produktivita | | | | |
+
+## Hodnotenie
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Boli identifikované rozumné zdroje údajov, spôsoby ukladania údajov a možné rozhodnutia/poznatky pre všetky oblasti | Niektoré aspekty riešenia nie sú podrobne opísané, ukladanie údajov nie je diskutované, aspoň 2 oblasti sú popísané | Opísané sú len časti riešenia údajov, zohľadnená je iba jedna oblasť.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/sk/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..c3b3196b
--- /dev/null
+++ b/translations/sk/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,47 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:26:36+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Zadanie: Scenáre dátovej vedy
+
+V tomto prvom zadaní vás žiadame, aby ste premýšľali o nejakom reálnom procese alebo probléme v rôznych oblastiach a o tom, ako ho môžete zlepšiť pomocou procesu dátovej vedy. Zamyslite sa nad nasledujúcimi otázkami:
+
+1. Aké údaje môžete zbierať?
+1. Ako by ste ich zbierali?
+1. Ako by ste údaje uložili? Aké veľké údaje pravdepodobne budú?
+1. Aké poznatky by ste mohli získať z týchto údajov? Aké rozhodnutia by sme mohli na základe údajov urobiť?
+
+Skúste premýšľať o 3 rôznych problémoch/procesoch a popíšte každý z vyššie uvedených bodov pre každú oblasť.
+
+Tu sú niektoré oblasti a problémy, ktoré vám môžu pomôcť začať premýšľať:
+
+1. Ako môžete použiť údaje na zlepšenie vzdelávacieho procesu pre deti v školách?
+1. Ako môžete použiť údaje na kontrolu očkovania počas pandémie?
+1. Ako môžete použiť údaje na zabezpečenie produktivity v práci?
+## Pokyny
+
+Vyplňte nasledujúcu tabuľku (ak je to potrebné, nahraďte navrhované oblasti vlastnými):
+
+| Oblasť | Problém | Aké údaje zbierať | Ako uložiť údaje | Aké poznatky/rozhodnutia môžeme urobiť | 
+|--------|---------|-------------------|------------------|----------------------------------------|
+| Vzdelávanie | Na univerzite máme zvyčajne nízku účasť na prednáškach a máme hypotézu, že študenti, ktorí sa zúčastňujú prednášok, dosahujú lepšie výsledky na skúškach. Chceme stimulovať účasť a otestovať hypotézu. | Môžeme sledovať účasť prostredníctvom fotografií urobených bezpečnostnou kamerou v triede alebo sledovaním bluetooth/wifi adresy mobilných telefónov študentov v triede. Údaje o skúškach sú už dostupné v univerzitnej databáze. | Ak sledujeme fotografie z bezpečnostnej kamery - potrebujeme uložiť niekoľko (5-10) fotografií počas prednášky (nestruktúrované údaje) a potom použiť AI na identifikáciu tvárí študentov (konvertovať údaje na štruktúrovanú formu). | Môžeme vypočítať priemerné údaje o účasti pre každého študenta a zistiť, či existuje nejaká korelácia s výsledkami skúšok. Viac o korelácii budeme hovoriť v sekcii [pravdepodobnosť a štatistika](../../04-stats-and-probability/README.md). Na stimuláciu účasti študentov môžeme zverejniť týždenné hodnotenie účasti na školskom portáli a losovať ceny medzi tými s najvyššou účasťou. |
+| Očkovanie | | | | |
+| Produktivita | | | | |
+
+> *Poskytujeme len jednu odpoveď ako príklad, aby ste mali predstavu, čo sa od vás očakáva v tomto zadaní.*
+
+## Hodnotenie
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Boli identifikované rozumné zdroje údajov, spôsoby ukladania údajov a možné rozhodnutia/poznatky pre všetky oblasti | Niektoré aspekty riešenia nie sú podrobne rozpracované, ukladanie údajov nie je diskutované, aspoň 2 oblasti sú popísané | Opísané sú len časti riešenia údajov, zohľadnená je len jedna oblasť.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/02-ethics/README.md b/translations/sk/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..058c88e4
--- /dev/null
+++ b/translations/sk/1-Introduction/02-ethics/README.md
@@ -0,0 +1,249 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:07:47+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "sk"
+}
+-->
+# Úvod do dátovej etiky
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Etika dátovej vedy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Sme všetci dátoví občania žijúci v dátovom svete.
+
+Trhové trendy naznačujú, že do roku 2022 bude 1 z 3 veľkých organizácií nakupovať a predávať svoje dáta prostredníctvom online [trhovísk a výmenných platforiem](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Ako **vývojári aplikácií** zistíme, že je jednoduchšie a lacnejšie integrovať poznatky založené na dátach a automatizáciu riadenú algoritmami do každodenných používateľských skúseností. Ale ako sa AI stáva všadeprítomnou, budeme musieť pochopiť aj potenciálne škody spôsobené [zbraňovaním](https://www.youtube.com/watch?v=TQHs8SA1qpk) takýchto algoritmov vo veľkom rozsahu.
+
+Trendy tiež naznačujú, že do roku 2025 vytvoríme a spotrebujeme viac ako [180 zettabajtov](https://www.statista.com/statistics/871513/worldwide-data-created/) dát. Ako **dátoví vedci** získame bezprecedentný prístup k osobným údajom. To znamená, že môžeme vytvárať behaviorálne profily používateľov a ovplyvňovať rozhodovanie spôsobmi, ktoré vytvárajú [ilúziu slobodnej voľby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), pričom potenciálne posúvame používateľov k výsledkom, ktoré preferujeme. To tiež otvára širšie otázky o ochrane súkromia a právach používateľov.
+
+Dátová etika je teraz _nevyhnutným ochranným mechanizmom_ pre dátovú vedu a inžinierstvo, pomáhajúc nám minimalizovať potenciálne škody a neúmyselné dôsledky našich rozhodnutí založených na dátach. [Gartnerov Hype Cycle pre AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuje relevantné trendy v digitálnej etike, zodpovednej AI a správe AI ako kľúčové faktory pre väčšie megatrendy okolo _demokratizácie_ a _industrializácie_ AI.
+
+![Gartnerov Hype Cycle pre AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+V tejto lekcii preskúmame fascinujúcu oblasť dátovej etiky - od základných konceptov a výziev, cez prípadové štúdie až po aplikované koncepty AI, ako je správa - ktoré pomáhajú vytvárať kultúru etiky v tímoch a organizáciách pracujúcich s dátami a AI.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Základné definície
+
+Začnime pochopením základnej terminológie.
+
+Slovo "etika" pochádza z [gréckeho slova "ethikos"](https://en.wikipedia.org/wiki/Ethics) (a jeho koreňa "ethos"), čo znamená _charakter alebo morálna povaha_. 
+
+**Etika** sa týka spoločných hodnôt a morálnych princípov, ktoré riadia naše správanie v spoločnosti. Etika nie je založená na zákonoch, ale na všeobecne prijatých normách toho, čo je "správne vs. nesprávne". Etické úvahy však môžu ovplyvniť iniciatívy korporátneho riadenia a vládne regulácie, ktoré vytvárajú viac stimulov na dodržiavanie pravidiel.
+
+**Dátová etika** je [nová vetva etiky](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), ktorá "študuje a hodnotí morálne problémy súvisiace s _dátami, algoritmami a zodpovedajúcimi praktikami_". Tu sa **"dáta"** zameriavajú na akcie súvisiace s generovaním, zaznamenávaním, kuráciou, spracovaním, šírením, zdieľaním a používaním, **"algoritmy"** sa zameriavajú na AI, agentov, strojové učenie a roboty, a **"praktiky"** sa zameriavajú na témy ako zodpovedná inovácia, programovanie, hacking a etické kódy.
+
+**Aplikovaná etika** je [praktická aplikácia morálnych úvah](https://en.wikipedia.org/wiki/Applied_ethics). Ide o proces aktívneho skúmania etických otázok v kontexte _skutočných akcií, produktov a procesov_ a prijímania nápravných opatrení, aby zostali v súlade s našimi definovanými etickými hodnotami.
+
+**Kultúra etiky** je o [_operacionalizácii_ aplikovanej etiky](https://hbr.org/2019/05/how-to-design-an-ethical-organization), aby sme zabezpečili, že naše etické princípy a praktiky sú prijaté konzistentne a škálovateľne naprieč celou organizáciou. Úspešné kultúry etiky definujú celopodnikové etické princípy, poskytujú zmysluplné stimuly na dodržiavanie pravidiel a posilňujú normy etiky podporovaním a amplifikáciou požadovaného správania na každej úrovni organizácie.
+
+## Koncepty etiky
+
+V tejto sekcii sa budeme zaoberať konceptmi ako **spoločné hodnoty** (princípy) a **etické výzvy** (problémy) pre dátovú etiku - a preskúmame **prípadové štúdie**, ktoré vám pomôžu pochopiť tieto koncepty v reálnych kontextoch.
+
+### 1. Princípy etiky
+
+Každá stratégia dátovej etiky začína definovaním _etických princípov_ - "spoločných hodnôt", ktoré opisujú prijateľné správanie a usmerňujú súladné akcie v našich dátových a AI projektoch. Môžete ich definovať na individuálnej alebo tímovej úrovni. Väčšina veľkých organizácií však tieto princípy uvádza v _misijnom vyhlásení alebo rámci etickej AI_, ktorý je definovaný na korporátnej úrovni a dôsledne presadzovaný vo všetkých tímoch.
+
+**Príklad:** Microsoftovo [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) misijné vyhlásenie znie: _"Sme odhodlaní k pokroku AI riadenému etickými princípmi, ktoré kladú ľudí na prvé miesto"_ - identifikujúc 6 etických princípov v rámci nižšie:
+
+![Responsible AI v Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Poďme si stručne preskúmať tieto princípy. _Transparentnosť_ a _zodpovednosť_ sú základné hodnoty, na ktorých sú postavené ostatné princípy - začnime teda nimi:
+
+* [**Zodpovednosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) robí praktikov _zodpovednými_ za ich dátové a AI operácie a súlad s týmito etickými princípmi.
+* [**Transparentnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zabezpečuje, že dátové a AI akcie sú _pochopiteľné_ (interpretovateľné) pre používateľov, vysvetľujúc čo a prečo za rozhodnutiami.
+* [**Spravodlivosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - zameriava sa na zabezpečenie, že AI zaobchádza _so všetkými ľuďmi_ spravodlivo, riešiac akékoľvek systémové alebo implicitné sociálno-technické predsudky v dátach a systémoch.
+* [**Spoľahlivosť a bezpečnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - zabezpečuje, že AI sa správa _konzistentne_ s definovanými hodnotami, minimalizujúc potenciálne škody alebo neúmyselné dôsledky.
+* [**Súkromie a bezpečnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ide o pochopenie pôvodu dát a poskytovanie _ochrany súkromia a súvisiacich práv_ používateľom.
+* [**Inkluzívnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ide o navrhovanie AI riešení s úmyslom, prispôsobujúc ich na splnenie _širokého spektra ľudských potrieb_ a schopností.
+
+> 🚨 Premýšľajte o tom, aké by mohlo byť vaše misijné vyhlásenie dátovej etiky. Preskúmajte rámce etickej AI od iných organizácií - tu sú príklady od [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) a [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Aké spoločné hodnoty majú? Ako sa tieto princípy vzťahujú na AI produkt alebo odvetvie, v ktorom pôsobia?
+
+### 2. Výzvy etiky
+
+Keď máme definované etické princípy, ďalším krokom je hodnotenie našich dátových a AI akcií, aby sme zistili, či sú v súlade s týmito spoločnými hodnotami. Premýšľajte o svojich akciách v dvoch kategóriách: _zber dát_ a _návrh algoritmov_. 
+
+Pri zbere dát budú akcie pravdepodobne zahŕňať **osobné údaje** alebo osobne identifikovateľné informácie (PII) pre identifikovateľné živé osoby. To zahŕňa [rôzne položky neosobných údajov](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), ktoré _spoločne_ identifikujú jednotlivca. Etické výzvy sa môžu týkať _ochrany súkromia_, _vlastníctva dát_ a súvisiacich tém ako _informovaný súhlas_ a _práva duševného vlastníctva_ pre používateľov.
+
+Pri návrhu algoritmov budú akcie zahŕňať zber a kuráciu **datasetov**, potom ich použitie na trénovanie a nasadenie **dátových modelov**, ktoré predpovedajú výsledky alebo automatizujú rozhodnutia v reálnych kontextoch. Etické výzvy môžu vzniknúť z _predsudkov v datasetoch_, _problémov kvality dát_, _nespravodlivosti_ a _skreslenia_ v algoritmoch - vrátane niektorých problémov, ktoré sú systémové.
+
+V oboch prípadoch etické výzvy poukazujú na oblasti, kde naše akcie môžu naraziť na konflikt s našimi spoločnými hodnotami. Na ich detekciu, zmiernenie, minimalizáciu alebo odstránenie musíme klásť morálne "áno/nie" otázky súvisiace s našimi akciami a následne prijať nápravné opatrenia podľa potreby. Pozrime sa na niektoré etické výzvy a morálne otázky, ktoré vyvolávajú:
+
+#### 2.1 Vlastníctvo dát
+
+Zber dát často zahŕňa osobné údaje, ktoré môžu identifikovať subjekty dát. [Vlastníctvo dát](https://permission.io/blog/data-ownership) sa týka _kontroly_ a [_práv používateľov_](https://permission.io/blog/data-ownership) súvisiacich s vytváraním, spracovaním a šírením dát. 
+
+Morálne otázky, ktoré musíme klásť, sú: 
+ * Kto vlastní dáta? (používateľ alebo organizácia)
+ * Aké práva majú subjekty dát? (napr. prístup, vymazanie, prenosnosť)
+ * Aké práva majú organizácie? (napr. oprava škodlivých používateľských recenzií)
+
+#### 2.2 Informovaný súhlas
+
+[Informovaný súhlas](https://legaldictionary.net/informed-consent/) definuje akt používateľov, ktorí súhlasia s akciou (napr. zber dát) s _plným pochopením_ relevantných faktov vrátane účelu, potenciálnych rizík a alternatív. 
+
+Otázky na preskúmanie sú:
+ * Dal používateľ (subjekt dát) povolenie na zber a použitie dát?
+ * Pochopil používateľ účel, na ktorý boli dáta zhromaždené?
+ * Pochopil používateľ potenciálne riziká z ich účasti?
+
+#### 2.3 Duševné vlastníctvo
+
+[Duševné vlastníctvo](https://en.wikipedia.org/wiki/Intellectual_property) sa týka nehmotných výtvorov vyplývajúcich z ľudskej iniciatívy, ktoré môžu _mať ekonomickú hodnotu_ pre jednotlivcov alebo podniky. 
+
+Otázky na preskúmanie sú:
+ * Mali zhromaždené dáta ekonomickú hodnotu pre používateľa alebo podnik?
+ * Má **používateľ** duševné vlastníctvo v tomto prípade?
+ * Má **organizácia** duševné vlastníctvo v tomto prípade?
+ * Ak tieto práva existujú, ako ich chránime?
+
+#### 2.4 Ochrana súkromia dát
+
+[Ochrana súkromia dát](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) alebo informačné súkromie sa týka zachovania súkromia používateľov a ochrany identity používateľov vo vzťahu k osobne identifikovateľným informáciám. 
+
+Otázky na preskúmanie sú:
+ * Sú dáta používateľov (osobné) zabezpečené proti hackom a únikom?
+ * Sú dáta používateľov prístupné iba autorizovaným používateľom a kontextom?
+ * Je anonymita používateľov zachovaná pri zdieľaní alebo šírení dát?
+ * Môže byť používateľ de-identifikovaný z anonymizovaných datasetov?
+
+#### 2.5 Právo byť zabudnutý
+
+[Právo byť zabudnutý](https://en.wikipedia.org/wiki/Right_to_be_forgotten) alebo [Právo na vymazanie](https://www.gdpreu.org/right-to-be-forgotten/) poskytuje používateľom dodatočnú ochranu osobných údajov. Konkrétne dáva používateľom právo požiadať o vymazanie alebo odstránenie osobných údajov z internetových vyhľadávaní a iných lokalít, _za špecifických okolností_ - umožňujúc im nový začiatok online bez toho, aby ich minulé akcie boli proti nim použité.
+
+Otázky na preskúmanie sú:
+ * Umožňuje systém subjektom dát požiadať o vymazanie?
+ * Mal by odvolanie súhlasu používateľa spustiť automatické vymazanie?
+ * Boli dáta zhromaždené bez súhlasu alebo nezákonnými prostriedkami?
+ * Sme v súlade s vládnymi reguláciami na ochranu súkromia dát?
+
+#### 2.6 Predsudky v datasetoch
+
+Predsudky v datasetoch alebo [Predsudky pri zbere](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) sa týkajú výberu _nereprezentatívnej_ podmnožiny dát na vývoj algoritmov, čo vytvára potenciálnu nespravodlivosť vo výsledkoch pre rôzne skupiny. Typy predsudkov zahŕňajú výberové alebo vzorkové predsudky, dobrovoľnícke predsudky a predsudky nástrojov. 
+
+Otázky na preskúmanie sú:
+ * Rekrutovali sme reprezentatívnu skupinu subjektov dát?
+ * Testovali sme náš zhromaždený alebo kurátovaný dataset na rôzne predsudky?
+ * Môžeme zmierniť alebo odstrániť objavené predsudky?
+
+
+[Algorithmická spravodlivosť](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) skúma, či návrh algoritmu systematicky nediskriminuje konkrétne podskupiny dátových subjektov, čo môže viesť k [potenciálnym škodám](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) v oblasti _alokácie_ (kde sú zdroje odmietnuté alebo zadržané pre túto skupinu) a _kvality služieb_ (kde AI nie je pre niektoré podskupiny taká presná ako pre iné).
+
+Otázky na preskúmanie:
+ * Vyhodnotili sme presnosť modelu pre rôzne podskupiny a podmienky?
+ * Preskúmali sme systém z hľadiska potenciálnych škôd (napr. stereotypizácie)?
+ * Môžeme upraviť dáta alebo preškoliť modely na zmiernenie identifikovaných škôd?
+
+Preskúmajte zdroje ako [kontrolné zoznamy pre spravodlivosť AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), aby ste sa dozvedeli viac.
+
+#### 2.9 Nesprávne prezentovanie údajov
+
+[Nesprávne prezentovanie údajov](https://www.sciencedirect.com/topics/computer-science/misrepresentation) sa týka otázky, či komunikujeme poznatky z čestne získaných údajov zavádzajúcim spôsobom, aby sme podporili požadovaný naratív.
+
+Otázky na preskúmanie:
+ * Hlásime neúplné alebo nepresné údaje?
+ * Vizualizujeme údaje spôsobom, ktorý vedie k zavádzajúcim záverom?
+ * Používame selektívne štatistické techniky na manipuláciu s výsledkami?
+ * Existujú alternatívne vysvetlenia, ktoré by mohli ponúknuť iný záver?
+
+#### 2.10 Ilúzia voľby
+[Ilúzia voľby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) nastáva, keď „architektúry voľby“ systému používajú rozhodovacie algoritmy na ovplyvnenie ľudí, aby prijali preferovaný výsledok, pričom im dávajú zdanie možností a kontroly. Tieto [temné vzory](https://www.darkpatterns.org/) môžu spôsobiť sociálne a ekonomické škody používateľom. Keďže rozhodnutia používateľov ovplyvňujú profily správania, tieto akcie môžu potenciálne poháňať budúce voľby, ktoré môžu zosilniť alebo predĺžiť dopad týchto škôd.
+
+Otázky na preskúmanie:
+ * Rozumel používateľ dôsledkom prijatia tejto voľby?
+ * Bol používateľ informovaný o (alternatívnych) možnostiach a výhodách a nevýhodách každej z nich?
+ * Môže používateľ neskôr zvrátiť automatizovanú alebo ovplyvnenú voľbu?
+
+### 3. Prípadové štúdie
+
+Aby sme tieto etické výzvy zasadili do reálneho kontextu, je užitočné pozrieť sa na prípadové štúdie, ktoré zdôrazňujú potenciálne škody a dôsledky pre jednotlivcov a spoločnosť, keď sa tieto etické porušenia prehliadajú.
+
+Tu je niekoľko príkladov:
+
+| Etická výzva | Prípadová štúdia  | 
+|--- |--- |
+| **Informovaný súhlas** | 1972 - [Štúdia syfilisu v Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroamerickým mužom, ktorí sa zúčastnili štúdie, bola sľúbená bezplatná zdravotná starostlivosť, _ale boli oklamaní_ výskumníkmi, ktorí im neoznámili ich diagnózu ani dostupnosť liečby. Mnohí účastníci zomreli a ich partneri alebo deti boli ovplyvnení; štúdia trvala 40 rokov. | 
+| **Ochrana údajov** |  2007 - [Netflix Data Prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) poskytla výskumníkom _10 miliónov anonymizovaných hodnotení filmov od 50 000 zákazníkov_, aby pomohla zlepšiť odporúčacie algoritmy. Výskumníci však dokázali prepojiť anonymizované údaje s osobne identifikovateľnými údajmi v _externých datasetoch_ (napr. komentáre na IMDb), čím efektívne „de-anonymizovali“ niektorých predplatiteľov Netflixu.|
+| **Zber dát s predsudkami**  | 2013 - Mesto Boston [vyvinulo aplikáciu Street Bump](https://www.boston.gov/transportation/street-bump), ktorá umožnila občanom hlásiť výtlky, čím mestu poskytla lepšie údaje o cestách na identifikáciu a opravu problémov. Avšak [ľudia s nižšími príjmami mali menší prístup k autám a telefónom](https://hbr.org/2013/04/the-hidden-biases-in-big-data), čo spôsobilo, že ich problémy s cestami zostali v aplikácii neviditeľné. Vývojári spolupracovali s akademikmi na riešení problémov _rovnakého prístupu a digitálnych rozdielov_ pre spravodlivosť. |
+| **Algoritmická spravodlivosť**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) hodnotila presnosť AI produktov na klasifikáciu pohlavia, pričom odhalila medzery v presnosti pre ženy a osoby inej farby pleti. [Apple Card z roku 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) sa zdala ponúkať menej úveru ženám ako mužom. Obe štúdie ilustrovali problémy algoritmických predsudkov vedúcich k socio-ekonomickým škodám.|
+| **Nesprávne prezentovanie údajov** | 2020 - [Ministerstvo zdravotníctva štátu Georgia zverejnilo grafy COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ktoré sa zdali zavádzať občanov o trendoch potvrdených prípadov pomocou nechronologického usporiadania na osi x. To ilustruje nesprávne prezentovanie údajov prostredníctvom vizualizačných trikov. |
+| **Ilúzia voľby** | 2020 - Vzdelávacia aplikácia [ABCmouse zaplatila 10 miliónov dolárov na urovnanie sťažnosti FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kde boli rodičia nútení platiť za predplatné, ktoré nemohli zrušiť. To ilustruje temné vzory v architektúrach voľby, kde boli používatelia ovplyvnení k potenciálne škodlivým rozhodnutiam. |
+| **Ochrana údajov a práva používateľov** | 2021 - [Únik údajov na Facebooku](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) odhalil údaje 530 miliónov používateľov, čo viedlo k urovnaniu vo výške 5 miliárd dolárov s FTC. Facebook však odmietol informovať používateľov o úniku, čím porušil práva používateľov na transparentnosť a prístup k údajom. |
+
+Chcete preskúmať viac prípadových štúdií? Pozrite si tieto zdroje:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etické dilemy v rôznych odvetviach.
+* [Kurz etiky dátovej vedy](https://www.coursera.org/learn/data-science-ethics#syllabus) - preskúmanie významných prípadových štúdií.
+* [Kde sa veci pokazili](https://deon.drivendata.org/examples/) - kontrolný zoznam Deon s príkladmi.
+
+> 🚨 Zamyslite sa nad prípadovými štúdiami, ktoré ste videli – zažili ste alebo boli ste ovplyvnení podobnou etickou výzvou vo svojom živote? Dokážete si spomenúť na aspoň jednu ďalšiu prípadovú štúdiu, ktorá ilustruje jednu z etických výziev, o ktorých sme diskutovali v tejto sekcii?
+
+## Aplikovaná etika
+
+Hovorili sme o etických konceptoch, výzvach a prípadových štúdiách v reálnom kontexte. Ako však začať _uplatňovať_ etické princípy a praktiky vo svojich projektoch? A ako _zaviesť_ tieto praktiky pre lepšie riadenie? Poďme preskúmať niektoré reálne riešenia:
+
+### 1. Profesionálne kódexy
+
+Profesionálne kódexy ponúkajú jednu možnosť pre organizácie, ako „motivovať“ členov k podpore ich etických princípov a poslania. Kódexy sú _morálne usmernenia_ pre profesionálne správanie, ktoré pomáhajú zamestnancom alebo členom robiť rozhodnutia v súlade s princípmi ich organizácie. Ich účinnosť však závisí od dobrovoľného dodržiavania členmi; mnohé organizácie však ponúkajú dodatočné odmeny a sankcie na podporu dodržiavania.
+
+Príklady zahŕňajú:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kódex etiky
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kódex správania (vytvorený v roku 2013)
+ * [ACM Kódex etiky a profesionálneho správania](https://www.acm.org/code-of-ethics) (od roku 1993)
+
+> 🚨 Patríte do profesionálnej inžinierskej alebo dátovej organizácie? Preskúmajte ich webovú stránku, aby ste zistili, či definujú profesionálny kódex etiky. Čo to hovorí o ich etických princípoch? Ako „motivujú“ členov k dodržiavaniu kódexu?
+
+### 2. Etické kontrolné zoznamy
+
+Zatiaľ čo profesionálne kódexy definujú požadované _etické správanie_ od odborníkov, [majú známe obmedzenia](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) pri presadzovaní, najmä pri veľkých projektoch. Mnohí odborníci na dátovú vedu preto [odporúčajú kontrolné zoznamy](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ktoré môžu **prepojiť princípy s praxou** deterministickým a akčným spôsobom.
+
+Kontrolné zoznamy premieňajú otázky na „áno/nie“ úlohy, ktoré je možné operacionalizovať, čo umožňuje ich sledovanie ako súčasť štandardných pracovných postupov pri vydávaní produktov.
+
+Príklady zahŕňajú:
+ * [Deon](https://deon.drivendata.org/) - všeobecný kontrolný zoznam etiky dát vytvorený na základe [odporúčaní z odvetvia](https://deon.drivendata.org/#checklist-citations) s nástrojom príkazového riadku pre jednoduchú integráciu.
+ * [Kontrolný zoznam auditu ochrany súkromia](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - poskytuje všeobecné usmernenia pre praktiky manipulácie s informáciami z právneho a sociálneho hľadiska.
+ * [Kontrolný zoznam spravodlivosti AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - vytvorený odborníkmi na AI na podporu prijatia a integrácie kontrol spravodlivosti do vývojových cyklov AI.
+ * [22 otázok pre etiku v dátach a AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otvorenejší rámec, štruktúrovaný na počiatočné preskúmanie etických otázok v dizajne, implementácii a organizačných kontextoch.
+
+### 3. Etické regulácie
+
+Etika je o definovaní spoločných hodnôt a dobrovoľnom konaní správnych vecí. **Súlad** je o _dodržiavaní zákona_, ak a kde je definovaný. **Riadenie** zahŕňa všetky spôsoby, akými organizácie presadzujú etické princípy a dodržiavajú stanovené zákony.
+
+Dnes riadenie zahŕňa dve formy v rámci organizácií. Po prvé, ide o definovanie **etických princípov AI** a zavedenie praktík na podporu ich prijatia vo všetkých projektoch súvisiacich s AI v organizácii. Po druhé, ide o dodržiavanie všetkých vládou nariadených **regulácií ochrany údajov** pre regióny, v ktorých organizácia pôsobí.
+
+Príklady regulácií ochrany údajov a súkromia:
+
+ * `1974`, [Zákon o ochrane súkromia USA](https://www.justice.gov/opcl/privacy-act-1974) - reguluje _federálnu vládu_ pri zhromažďovaní, používaní a zverejňovaní osobných údajov.
+ * `1996`, [Zákon o prenosnosti a zodpovednosti zdravotného poistenia USA (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - chráni osobné zdravotné údaje.
+ * `1998`, [Zákon o ochrane súkromia detí online (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - chráni údaje detí mladších ako 13 rokov.
+ * `2018`, [Všeobecné nariadenie o ochrane údajov (GDPR)](https://gdpr-info.eu/) - poskytuje práva používateľov, ochranu údajov a súkromie.
+ * `2018`, [Kalifornský zákon o ochrane spotrebiteľov (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - dáva spotrebiteľom viac _práv_ nad ich (osobnými) údajmi.
+ * `2021`, Čína [Zákon o ochrane osobných údajov](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - jeden z najsilnejších online zákonov o ochrane súkromia na svete.
+
+> 🚨 Európska únia definovala GDPR (Všeobecné nariadenie o ochrane údajov), ktoré zostáva jedným z najvplyvnejších nariadení o ochrane údajov dnes. Vedeli ste, že GDPR tiež definuje [8 práv používateľov](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) na ochranu digitálneho súkromia a osobných údajov občanov? Zistite, aké sú tieto práva a prečo sú dôležité.
+
+### 4. Kultúra etiky
+
+Treba si uvedomiť, že medzi _dodržiavaním zákona_ (splnením „litery zákona“) a riešením [systémových problémov](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ako je zakonzervovanie, informačná asymetria a distribučná nespravodlivosť), ktoré môžu urýchliť zneužitie AI, zostáva nehmotná priepasť.
+
+Riešenie týchto problémov si vyžaduje [spoluprácu na definovaní kultúr etiky](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), ktoré budujú emocionálne spojenia a konzistentné spoločné hodnoty _naprieč organizáciami_ v odvetví. To si vyžaduje viac [formalizovaných kultúr etiky dát](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizáciách – umožňujúc _komukoľvek_ [zatiahnuť Andon šnúru](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (na včasné upozornenie na etické problémy) a robiť _etické hodnot
+* [Zásady zodpovednej umelej inteligencie](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - bezplatná vzdelávacia cesta od Microsoft Learn.  
+* [Etika a dátová veda](https://resources.oreilly.com/examples/0636920203964) - EBook od O'Reilly (M. Loukides, H. Mason a kol.)  
+* [Etika v dátovej vede](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurz od University of Michigan.  
+* [Etika v praxi](https://ethicsunwrapped.utexas.edu/case-studies) - prípadové štúdie od University of Texas.  
+
+# Zadanie  
+
+[Napíšte prípadovú štúdiu o etike dát](assignment.md)  
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/02-ethics/assignment.md b/translations/sk/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..52ffe39c
--- /dev/null
+++ b/translations/sk/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:17:19+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "sk"
+}
+-->
+## Napíšte prípadovú štúdiu o etike dát
+
+## Pokyny
+
+Naučili ste sa o rôznych [výzvach etiky dát](README.md#2-ethics-challenges) a videli ste niekoľko príkladov [prípadových štúdií](README.md#3-case-studies), ktoré odrážajú výzvy etiky dát v reálnych situáciách.
+
+V tejto úlohe napíšete vlastnú prípadovú štúdiu, ktorá odráža výzvu etiky dát z vašej vlastnej skúsenosti alebo z relevantného reálneho kontextu, ktorý poznáte. Stačí postupovať podľa týchto krokov:
+
+1. `Vyberte výzvu etiky dát`. Pozrite si [príklady z lekcie](README.md#2-ethics-challenges) alebo preskúmajte online príklady, ako napríklad [Deon Checklist](https://deon.drivendata.org/examples/) pre inšpiráciu.
+
+2. `Opíšte príklad z reálneho sveta`. Zamyslite sa nad situáciou, o ktorej ste počuli (správy, výskumná štúdia atď.) alebo ktorú ste zažili (lokálna komunita), kde sa táto konkrétna výzva vyskytla. Premýšľajte o otázkach etiky dát súvisiacich s touto výzvou – a diskutujte o potenciálnych škodách alebo neúmyselných dôsledkoch, ktoré vznikajú kvôli tomuto problému. Bonusové body: zamyslite sa nad možnými riešeniami alebo procesmi, ktoré by tu mohli byť aplikované na elimináciu alebo zmiernenie negatívneho dopadu tejto výzvy.
+
+3. `Poskytnite zoznam súvisiacich zdrojov`. Zdieľajte jeden alebo viac zdrojov (odkazy na článok, osobný blogový príspevok alebo obrázok, online výskumný dokument atď.), ktoré dokazujú, že išlo o skutočný prípad. Bonusové body: zdieľajte zdroje, ktoré tiež ukazujú potenciálne škody a dôsledky z incidentu, alebo zdôrazňujú pozitívne kroky podniknuté na zabránenie jeho opakovaniu.
+
+
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Identifikované sú jedna alebo viac výziev etiky dát. <br/> <br/> Prípadová štúdia jasne opisuje incident z reálneho sveta, ktorý odráža túto výzvu, a zdôrazňuje nežiaduce dôsledky alebo škody, ktoré spôsobil. <br/><br/> Existuje aspoň jeden prepojený zdroj, ktorý dokazuje, že sa to stalo. | Identifikovaná je jedna výzva etiky dát. <br/><br/> Aspoň jeden relevantný škodlivý dôsledok je stručne diskutovaný. <br/><br/> Diskusia je však obmedzená alebo chýba dôkaz o reálnom výskyte. | Identifikovaná je výzva etiky dát. <br/><br/> Opis alebo zdroje však dostatočne neodrážajú výzvu alebo nedokazujú jej výskyt v reálnom svete. |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/03-defining-data/README.md b/translations/sk/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..5c62657f
--- /dev/null
+++ b/translations/sk/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:29:18+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "sk"
+}
+-->
+# Definovanie údajov
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Definovanie údajov - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Údaje sú fakty, informácie, pozorovania a merania, ktoré sa používajú na objavovanie a podporu informovaných rozhodnutí. Dátový bod je jedna jednotka údajov v rámci datasetu, čo je zbierka dátových bodov. Datasety môžu mať rôzne formáty a štruktúry, ktoré zvyčajne závisia od ich zdroja alebo miesta, odkiaľ údaje pochádzajú. Napríklad mesačné príjmy spoločnosti môžu byť v tabuľke, zatiaľ čo údaje o srdcovom tepe zo smart hodiniek môžu byť vo formáte [JSON](https://stackoverflow.com/a/383699). Je bežné, že dátoví vedci pracujú s rôznymi typmi údajov v rámci datasetu.
+
+Táto lekcia sa zameriava na identifikáciu a klasifikáciu údajov podľa ich charakteristík a zdrojov.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## Ako sú údaje popísané
+
+### Surové údaje
+Surové údaje sú údaje, ktoré pochádzajú zo svojho zdroja v pôvodnom stave a neboli analyzované ani organizované. Aby sme pochopili, čo sa deje s datasetom, je potrebné ho usporiadať do formátu, ktorý je zrozumiteľný pre ľudí, ako aj pre technológie, ktoré môžu byť použité na jeho ďalšiu analýzu. Štruktúra datasetu popisuje, ako je organizovaný, a môže byť klasifikovaná ako štruktúrovaná, neštruktúrovaná a polostruktúrovaná. Tieto typy štruktúr sa líšia v závislosti od zdroja, ale nakoniec spadajú do týchto troch kategórií.
+
+### Kvantitatívne údaje
+Kvantitatívne údaje sú numerické pozorovania v rámci datasetu, ktoré je možné analyzovať, merať a používať matematicky. Niektoré príklady kvantitatívnych údajov sú: populácia krajiny, výška osoby alebo štvrťročné príjmy spoločnosti. S ďalšou analýzou by kvantitatívne údaje mohli byť použité na objavenie sezónnych trendov indexu kvality ovzdušia (AQI) alebo na odhad pravdepodobnosti dopravnej špičky počas bežného pracovného dňa.
+
+### Kvalitatívne údaje
+Kvalitatívne údaje, známe aj ako kategóriové údaje, sú údaje, ktoré nemožno objektívne merať ako kvantitatívne pozorovania. Vo všeobecnosti ide o rôzne formáty subjektívnych údajov, ktoré zachytávajú kvalitu niečoho, napríklad produktu alebo procesu. Niekedy sú kvalitatívne údaje numerické, ale zvyčajne sa nepoužívajú matematicky, ako napríklad telefónne čísla alebo časové pečiatky. Niektoré príklady kvalitatívnych údajov sú: komentáre k videám, značka a model auta alebo obľúbená farba vašich najbližších priateľov. Kvalitatívne údaje by mohli byť použité na pochopenie, ktoré produkty majú spotrebitelia najradšej, alebo na identifikáciu populárnych kľúčových slov v životopisoch uchádzačov o zamestnanie.
+
+### Štruktúrované údaje
+Štruktúrované údaje sú údaje, ktoré sú organizované do riadkov a stĺpcov, kde každý riadok má rovnakú sadu stĺpcov. Stĺpce predstavujú hodnotu určitého typu a sú identifikované názvom, ktorý popisuje, čo hodnota predstavuje, zatiaľ čo riadky obsahujú skutočné hodnoty. Stĺpce často majú konkrétnu sadu pravidiel alebo obmedzení na hodnoty, aby sa zabezpečilo, že hodnoty presne reprezentujú stĺpec. Napríklad si predstavte tabuľku zákazníkov, kde každý riadok musí obsahovať telefónne číslo a telefónne čísla nikdy neobsahujú abecedné znaky. Na stĺpec telefónneho čísla môžu byť aplikované pravidlá, aby nikdy nebol prázdny a obsahoval iba čísla.
+
+Výhodou štruktúrovaných údajov je, že môžu byť organizované tak, aby mohli byť prepojené s inými štruktúrovanými údajmi. Avšak, pretože údaje sú navrhnuté tak, aby boli organizované konkrétnym spôsobom, zmeny v ich celkovej štruktúre môžu vyžadovať veľa úsilia. Napríklad pridanie stĺpca e-mailu do tabuľky zákazníkov, ktorý nemôže byť prázdny, znamená, že budete musieť zistiť, ako pridáte tieto hodnoty do existujúcich riadkov zákazníkov v datasetu.
+
+Príklady štruktúrovaných údajov: tabuľky, relačné databázy, telefónne čísla, bankové výpisy.
+
+### Neštruktúrované údaje
+Neštruktúrované údaje zvyčajne nemožno kategorizovať do riadkov alebo stĺpcov a neobsahujú formát ani súbor pravidiel, ktoré by sa mali dodržiavať. Pretože neštruktúrované údaje majú menej obmedzení na svoju štruktúru, je jednoduchšie pridávať nové informácie v porovnaní so štruktúrovaným datasetom. Ak senzor, ktorý zachytáva údaje o barometrickom tlaku každé 2 minúty, dostane aktualizáciu, ktorá mu umožní merať a zaznamenávať teplotu, nevyžaduje to zmenu existujúcich údajov, ak sú neštruktúrované. Avšak to môže spôsobiť, že analýza alebo skúmanie takýchto údajov bude trvať dlhšie. Napríklad vedec, ktorý chce zistiť priemernú teplotu za predchádzajúci mesiac z údajov senzora, ale zistí, že senzor zaznamenal "e" v niektorých svojich údajoch, aby označil, že bol pokazený, namiesto typického čísla, čo znamená, že údaje sú neúplné.
+
+Príklady neštruktúrovaných údajov: textové súbory, textové správy, video súbory.
+
+### Polostruktúrované údaje
+Polostruktúrované údaje majú vlastnosti, ktoré z nich robia kombináciu štruktúrovaných a neštruktúrovaných údajov. Zvyčajne nevyhovujú formátu riadkov a stĺpcov, ale sú organizované spôsobom, ktorý sa považuje za štruktúrovaný a môže dodržiavať pevný formát alebo súbor pravidiel. Štruktúra sa líši medzi zdrojmi, od dobre definovanej hierarchie až po niečo flexibilnejšie, čo umožňuje jednoduchú integráciu nových informácií. Metaúdaje sú indikátory, ktoré pomáhajú rozhodnúť, ako sú údaje organizované a uložené, a majú rôzne názvy v závislosti od typu údajov. Niektoré bežné názvy pre metaúdaje sú značky, prvky, entity a atribúty. Napríklad typická e-mailová správa bude mať predmet, telo a sadu príjemcov a môže byť organizovaná podľa toho, kto ju poslal alebo kedy bola odoslaná.
+
+Príklady polostruktúrovaných údajov: HTML, CSV súbory, JavaScript Object Notation (JSON).
+
+## Zdroje údajov
+
+Zdroj údajov je počiatočné miesto, kde boli údaje generované alebo kde "žijú" a líši sa podľa toho, ako a kedy boli zhromaždené. Údaje generované ich používateľmi sú známe ako primárne údaje, zatiaľ čo sekundárne údaje pochádzajú zo zdroja, ktorý zhromaždil údaje na všeobecné použitie. Napríklad skupina vedcov, ktorá zhromažďuje pozorovania v dažďovom pralese, by bola považovaná za primárny zdroj, a ak sa rozhodnú zdieľať tieto údaje s inými vedcami, pre tých, ktorí ich používajú, by to bolo považované za sekundárny zdroj.
+
+Databázy sú bežným zdrojom a spoliehajú sa na systém správy databáz na hosťovanie a údržbu údajov, kde používatelia používajú príkazy nazývané dotazy na skúmanie údajov. Súbory ako zdroje údajov môžu byť zvukové, obrazové a video súbory, ako aj tabuľky ako Excel. Internetové zdroje sú bežným miestom na hosťovanie údajov, kde sa dajú nájsť databázy aj súbory. Rozhrania aplikačného programovania, známe aj ako API, umožňujú programátorom vytvárať spôsoby zdieľania údajov s externými používateľmi prostredníctvom internetu, zatiaľ čo proces webového škrabania extrahuje údaje z webovej stránky. [Lekcie v práci s údajmi](../../../../../../../../../2-Working-With-Data) sa zameriavajú na to, ako používať rôzne zdroje údajov.
+
+## Záver
+
+V tejto lekcii sme sa naučili:
+
+- Čo sú údaje
+- Ako sú údaje popísané
+- Ako sú údaje klasifikované a kategorizované
+- Kde je možné údaje nájsť
+
+## 🚀 Výzva
+
+Kaggle je vynikajúcim zdrojom otvorených datasetov. Použite [nástroj na vyhľadávanie datasetov](https://www.kaggle.com/datasets) na nájdenie niekoľkých zaujímavých datasetov a klasifikujte 3-5 datasetov podľa týchto kritérií:
+
+- Sú údaje kvantitatívne alebo kvalitatívne?
+- Sú údaje štruktúrované, neštruktúrované alebo polostruktúrované?
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Prehľad a samostatné štúdium
+
+- Táto jednotka Microsoft Learn s názvom [Klasifikujte svoje údaje](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) obsahuje podrobný rozpis štruktúrovaných, polostruktúrovaných a neštruktúrovaných údajov.
+
+## Zadanie
+
+[Klasifikácia datasetov](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/03-defining-data/assignment.md b/translations/sk/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..4b8355e4
--- /dev/null
+++ b/translations/sk/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:31:34+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Klasifikácia dátových súborov
+
+## Pokyny
+
+Postupujte podľa pokynov v tejto úlohe na identifikáciu a klasifikáciu údajov s jedným z každého z nasledujúcich typov údajov:
+
+**Typy štruktúry**: Štruktúrované, Polostruktúrované alebo Neštruktúrované
+
+**Typy hodnôt**: Kvalitatívne alebo Kvantitatívne 
+
+**Typy zdrojov**: Primárne alebo Sekundárne
+
+1. Spoločnosť bola odkúpená a teraz má materskú spoločnosť. Dátoví analytici dostali tabuľku s telefónnymi číslami zákazníkov od materskej spoločnosti.
+
+Typ štruktúry:
+
+Typ hodnôt:
+
+Typ zdroja:
+
+---
+
+2. Inteligentné hodinky zbierajú údaje o srdcovom tepe svojho nositeľa a surové údaje sú vo formáte JSON.
+
+Typ štruktúry:
+
+Typ hodnôt:
+
+Typ zdroja:
+
+---
+
+3. Prieskum pracovnej morálky zamestnancov, ktorý je uložený v súbore CSV.
+
+Typ štruktúry:
+
+Typ hodnôt:
+
+Typ zdroja:
+
+---
+
+4. Astrofyzici majú prístup k databáze galaxií, ktorú zhromaždila vesmírna sonda. Údaje obsahujú počet planét v každej galaxii.
+
+Typ štruktúry:
+
+Typ hodnôt:
+
+Typ zdroja:
+
+---
+
+5. Aplikácia na osobné financie používa API na pripojenie k finančným účtom používateľa, aby vypočítala jeho čisté imanie. Používateľ môže vidieť všetky svoje transakcie vo formáte riadkov a stĺpcov, ktorý vyzerá podobne ako tabuľka.
+
+Typ štruktúry:
+
+Typ hodnôt:
+
+Typ zdroja:
+
+## Hodnotiaca tabuľka
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Správne identifikuje všetky štruktúry, hodnoty a zdroje | Správne identifikuje 3 všetky štruktúry, hodnoty a zdroje | Správne identifikuje 2 alebo menej všetky štruktúry, hodnoty a zdroje |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/04-stats-and-probability/README.md b/translations/sk/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..af6dfa84
--- /dev/null
+++ b/translations/sk/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:37:18+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "sk"
+}
+-->
+# Stručný úvod do štatistiky a pravdepodobnosti
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Štatistika a pravdepodobnosť - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Teória štatistiky a pravdepodobnosti sú dve úzko súvisiace oblasti matematiky, ktoré majú veľký význam pre dátovú vedu. Dáta je možné spracovávať aj bez hlbokých znalostí matematiky, ale je lepšie poznať aspoň základné koncepty. Tu vám predstavíme krátky úvod, ktorý vám pomôže začať.
+
+[![Úvodné video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sk.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Pravdepodobnosť a náhodné premenné
+
+**Pravdepodobnosť** je číslo medzi 0 a 1, ktoré vyjadruje, aká pravdepodobná je určitá **udalosť**. Definuje sa ako počet pozitívnych výsledkov (ktoré vedú k udalosti) delený celkovým počtom výsledkov, za predpokladu, že všetky výsledky sú rovnako pravdepodobné. Napríklad, keď hodíme kockou, pravdepodobnosť, že padne párne číslo, je 3/6 = 0,5.
+
+Keď hovoríme o udalostiach, používame **náhodné premenné**. Napríklad náhodná premenná, ktorá reprezentuje číslo získané pri hode kockou, by nadobúdala hodnoty od 1 do 6. Súbor čísel od 1 do 6 sa nazýva **priestor vzorky**. Môžeme hovoriť o pravdepodobnosti, že náhodná premenná nadobudne určitú hodnotu, napríklad P(X=3)=1/6.
+
+Náhodná premenná v predchádzajúcom príklade sa nazýva **diskrétna**, pretože má spočítateľný priestor vzorky, t. j. existujú samostatné hodnoty, ktoré je možné vymenovať. Existujú prípady, keď priestor vzorky je rozsah reálnych čísel alebo celá množina reálnych čísel. Takéto premenné sa nazývajú **spojité**. Dobrým príkladom je čas príchodu autobusu.
+
+## Pravdepodobnostné rozdelenie
+
+V prípade diskrétnych náhodných premenných je jednoduché opísať pravdepodobnosť každej udalosti pomocou funkcie P(X). Pre každú hodnotu *s* z priestoru vzorky *S* poskytne číslo od 0 do 1, pričom súčet všetkých hodnôt P(X=s) pre všetky udalosti bude 1.
+
+Najznámejším diskrétnym rozdelením je **rovnomerné rozdelenie**, v ktorom existuje priestor vzorky s N prvkami, s rovnakou pravdepodobnosťou 1/N pre každý z nich.
+
+Je ťažšie opísať pravdepodobnostné rozdelenie spojitej premennej, s hodnotami z nejakého intervalu [a,b] alebo celej množiny reálnych čísel ℝ. Zvážte prípad času príchodu autobusu. V skutočnosti je pravdepodobnosť, že autobus príde presne v určitom čase *t*, rovná 0!
+
+> Teraz viete, že udalosti s pravdepodobnosťou 0 sa stávajú, a to veľmi často! Aspoň vždy, keď autobus príde!
+
+Môžeme hovoriť iba o pravdepodobnosti, že premenná spadne do daného intervalu hodnôt, napr. P(t<sub>1</sub>≤X<t<sub>2</sub>). V tomto prípade je pravdepodobnostné rozdelenie opísané pomocou **funkcie hustoty pravdepodobnosti** p(x), tak, že
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sk.png)
+
+Spojitý analóg rovnomerného rozdelenia sa nazýva **spojité rovnomerné**, ktoré je definované na konečnom intervale. Pravdepodobnosť, že hodnota X spadne do intervalu dĺžky l, je úmerná l a stúpa až na 1.
+
+Ďalším dôležitým rozdelením je **normálne rozdelenie**, o ktorom budeme hovoriť podrobnejšie nižšie.
+
+## Priemer, rozptyl a štandardná odchýlka
+
+Predpokladajme, že vyberieme sekvenciu n vzoriek náhodnej premennej X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Môžeme definovať **priemernú** (alebo **aritmetickú priemernú**) hodnotu sekvencie tradičným spôsobom ako (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. Ako zväčšujeme veľkosť vzorky (t. j. berieme limit s n→∞), získame priemer (nazývaný tiež **očakávanie**) rozdelenia. Očakávanie označíme ako **E**(x).
+
+> Dá sa ukázať, že pre akékoľvek diskrétne rozdelenie s hodnotami {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} a zodpovedajúcimi pravdepodobnosťami p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, očakávanie bude rovné E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Na určenie, ako ďaleko sú hodnoty rozptýlené, môžeme vypočítať rozptyl σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, kde μ je priemer sekvencie. Hodnota σ sa nazýva **štandardná odchýlka** a σ<sup>2</sup> sa nazýva **rozptyl**.
+
+## Modus, medián a kvartily
+
+Niekedy priemer nepredstavuje dostatočne "typickú" hodnotu pre dáta. Napríklad, keď existuje niekoľko extrémnych hodnôt, ktoré sú úplne mimo rozsahu, môžu ovplyvniť priemer. Ďalším dobrým ukazovateľom je **medián**, hodnota, taká že polovica dátových bodov je nižšia ako ona a druhá polovica vyššia.
+
+Na lepšie pochopenie rozdelenia dát je užitočné hovoriť o **kvartiloch**:
+
+* Prvý kvartil, alebo Q1, je hodnota, taká že 25% dát je pod ňou
+* Tretí kvartil, alebo Q3, je hodnota, taká že 75% dát je pod ňou
+
+Graficky môžeme vzťah medzi mediánom a kvartilmi znázorniť v diagrame nazývanom **box plot**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Tu tiež vypočítame **medzikvartilový rozsah** IQR=Q3-Q1 a tzv. **odľahlé hodnoty** - hodnoty, ktoré ležia mimo hraníc [Q1-1.5*IQR,Q3+1.5*IQR].
+
+Pre konečné rozdelenie, ktoré obsahuje malý počet možných hodnôt, je dobrá "typická" hodnota tá, ktorá sa objavuje najčastejšie, nazývaná **modus**. Často sa používa pri kategorizovaných dátach, ako sú farby. Zvážte situáciu, keď máme dve skupiny ľudí - niektorí silne preferujú červenú a iní modrú. Ak kódujeme farby číslami, priemerná hodnota pre obľúbenú farbu by bola niekde v oranžovo-zelenej škále, čo nevyjadruje skutočnú preferenciu ani jednej skupiny. Modus by však bol buď jedna z farieb, alebo obe farby, ak je počet ľudí hlasujúcich za ne rovnaký (v tomto prípade nazývame vzorku **multimodálnou**).
+
+## Dáta z reálneho sveta
+
+Keď analyzujeme dáta z reálneho života, často nie sú náhodnými premennými v tom zmysle, že nevykonávame experimenty s neznámym výsledkom. Napríklad, zvážte tím baseballových hráčov a ich telesné údaje, ako výška, váha a vek. Tieto čísla nie sú presne náhodné, ale stále môžeme aplikovať rovnaké matematické koncepty. Napríklad, sekvencia váh ľudí môže byť považovaná za sekvenciu hodnôt získaných z nejakej náhodnej premennej. Nižšie je sekvencia váh skutočných baseballových hráčov z [Major League Baseball](http://mlb.mlb.com/index.jsp), prevzatá z [tohto datasetu](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (pre vaše pohodlie je zobrazených iba prvých 20 hodnôt):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Poznámka**: Ak chcete vidieť príklad práce s týmto datasetom, pozrite si [príslušný notebook](notebook.ipynb). V priebehu tejto lekcie je tiež množstvo výziev, ktoré môžete splniť pridaním kódu do tohto notebooku. Ak si nie ste istí, ako pracovať s dátami, nebojte sa - k práci s dátami pomocou Pythonu sa vrátime neskôr. Ak neviete, ako spustiť kód v Jupyter Notebooku, pozrite si [tento článok](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Tu je box plot zobrazujúci priemer, medián a kvartily pre naše dáta:
+
+![Box plot váhy](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sk.png)
+
+Keďže naše dáta obsahujú informácie o rôznych hráčskych **rolách**, môžeme tiež vytvoriť box plot podľa rolí - umožní nám to získať predstavu o tom, ako sa hodnoty parametrov líšia medzi rolami. Tentoraz zvážime výšku:
+
+![Box plot podľa rolí](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sk.png)
+
+Tento diagram naznačuje, že priemerná výška hráčov na prvej základni je vyššia ako výška hráčov na druhej základni. Neskôr v tejto lekcii sa naučíme, ako môžeme túto hypotézu formálnejšie testovať a ako demonštrovať, že naše dáta sú štatisticky významné na jej potvrdenie.
+
+> Pri práci s dátami z reálneho sveta predpokladáme, že všetky dátové body sú vzorky získané z nejakého pravdepodobnostného rozdelenia. Tento predpoklad nám umožňuje aplikovať techniky strojového učenia a vytvárať funkčné prediktívne modely.
+
+Aby sme videli, aké je rozdelenie našich dát, môžeme nakresliť graf nazývaný **histogram**. X-os bude obsahovať počet rôznych intervalov váhy (tzv. **bins**) a vertikálna os bude ukazovať počet prípadov, keď naša vzorka náhodnej premennej spadla do daného intervalu.
+
+![Histogram reálnych dát](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sk.png)
+
+Z tohto histogramu vidíte, že všetky hodnoty sú sústredené okolo určitého priemeru váhy a čím ďalej ideme od tejto váhy, tým menej váh tejto hodnoty sa vyskytuje. T. j., je veľmi nepravdepodobné, že váha baseballového hráča bude veľmi odlišná od priemernej váhy. Rozptyl váh ukazuje rozsah, v akom sa váhy pravdepodobne líšia od priemeru.
+
+> Ak vezmeme váhy iných ľudí, nie z baseballovej ligy, rozdelenie bude pravdepodobne odlišné. Avšak tvar rozdelenia bude rovnaký, ale priemer a rozptyl sa zmenia. Takže, ak trénujeme náš model na baseballových hráčoch, je pravdepodobné, že poskytne nesprávne výsledky, keď sa aplikuje na študentov univerzity, pretože základné rozdelenie je odlišné.
+
+## Normálne rozdelenie
+
+Rozdelenie váh, ktoré sme videli vyššie, je veľmi typické a mnoho meraní z reálneho sveta nasleduje rovnaký typ rozdelenia, ale s rôznym priemerom a rozptylom. Toto rozdelenie sa nazýva **normálne rozdelenie** a zohráva veľmi dôležitú úlohu v štatistike.
+
+Použitie normálneho rozdelenia je správny spôsob generovania náhodných váh potenciálnych baseballových hráčov. Akonáhle poznáme priemernú váhu `mean` a štandardnú odchýlku `std`, môžeme vygenerovať 1000 vzoriek váhy nasledujúcim spôsobom:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Ak nakreslíme histogram vygenerovaných vzoriek, uvidíme obraz veľmi podobný tomu, ktorý je uvedený vyššie. A ak zvýšime počet vzoriek a počet bins, môžeme vygenerovať obraz normálneho rozdelenia, ktorý je bližší ideálu:
+
+![Normálne rozdelenie s mean=0 a std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sk.png)
+
+*Normálne rozdelenie s mean=0 a std.dev=1*
+
+## Intervaly spoľahlivosti
+
+Keď hovoríme o váhach baseballových hráčov, predpokladáme, že existuje určitá **náhodná premenná W**, ktorá zodpovedá ideálnemu pravdepodobnostnému rozdeleniu váh všetkých baseballových hráčov (tzv. **populácia**). Naša sekvencia váh zodpovedá podmnožine všetkých baseballových hráčov, ktorú nazývame **vzorka**. Zaujímavou otázkou je, či môžeme poznať parametre rozdelenia W, t. j. priemer a rozptyl populácie?
+
+Najjednoduchšou odpoveďou by bolo vypočítať priemer a rozptyl našej vzorky. Avšak môže sa stať, že naša náhodná vzorka nepresne reprezentuje celú populáciu. Preto má zmysel hovoriť o **intervale spoľahlivosti**.
+> **Interval spoľahlivosti** je odhad skutočného priemeru populácie na základe našej vzorky, ktorý je presný s určitou pravdepodobnosťou (alebo **úrovňou spoľahlivosti**).
+Predpokladajme, že máme vzorku X<sub>1</sub>, ..., X<sub>n</sub> z našej distribúcie. Pri každom odobratí vzorky z našej distribúcie by sme získali inú hodnotu priemeru μ. Preto môže byť μ považované za náhodnú premennú. **Interval spoľahlivosti** s pravdepodobnosťou p je dvojica hodnôt (L<sub>p</sub>,R<sub>p</sub>), taká, že **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, t.j. pravdepodobnosť, že nameraná hodnota priemeru spadne do intervalu, sa rovná p.
+
+Podrobný výpočet týchto intervalov spoľahlivosti presahuje rámec nášho krátkeho úvodu. Viac podrobností nájdete [na Wikipédii](https://en.wikipedia.org/wiki/Confidence_interval). Stručne povedané, definujeme distribúciu vypočítaného priemeru vzorky vzhľadom na skutočný priemer populácie, čo sa nazýva **študentova distribúcia**.
+
+> **Zaujímavý fakt**: Študentova distribúcia je pomenovaná po matematikovi Williamovi Sealy Gossetovi, ktorý publikoval svoj článok pod pseudonymom "Študent". Pracoval v pivovare Guinness a podľa jednej z verzií jeho zamestnávateľ nechcel, aby verejnosť vedela, že používajú štatistické testy na určenie kvality surovín.
+
+Ak chceme odhadnúť priemer μ našej populácie s pravdepodobnosťou p, musíme vziať *(1-p)/2-tý percentil* zo študentovej distribúcie A, ktorý môže byť buď získaný z tabuliek, alebo vypočítaný pomocou zabudovaných funkcií štatistického softvéru (napr. Python, R, atď.). Potom by interval pre μ bol daný X±A*D/√n, kde X je získaný priemer vzorky, D je štandardná odchýlka.
+
+> **Poznámka**: Vynechávame aj diskusiu o dôležitom koncepte [stupňov voľnosti](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), ktorý je dôležitý v súvislosti so študentovou distribúciou. Pre hlbšie pochopenie tohto konceptu môžete odkázať na komplexnejšie knihy o štatistike.
+
+Príklad výpočtu intervalu spoľahlivosti pre hmotnosti a výšky je uvedený v [sprievodných poznámkových blokoch](notebook.ipynb).
+
+| p | Priemer hmotnosti |
+|-----|------------------|
+| 0.85 | 201.73±0.94     |
+| 0.90 | 201.73±1.08     |
+| 0.95 | 201.73±1.28     |
+
+Všimnite si, že čím vyššia je pravdepodobnosť spoľahlivosti, tým širší je interval spoľahlivosti.
+
+## Testovanie hypotéz
+
+V našej databáze hráčov baseballu existujú rôzne hráčske role, ktoré môžeme zhrnúť nasledovne (pozrite si [sprievodný poznámkový blok](notebook.ipynb), aby ste videli, ako sa táto tabuľka dá vypočítať):
+
+| Rola | Výška | Hmotnosť | Počet |
+|------|-------|----------|-------|
+| Catcher | 72.723684 | 204.328947 | 76 |
+| Designated_Hitter | 74.222222 | 220.888889 | 18 |
+| First_Baseman | 74.000000 | 213.109091 | 55 |
+| Outfielder | 73.010309 | 199.113402 | 194 |
+| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
+| Second_Baseman | 71.362069 | 184.344828 | 58 |
+| Shortstop | 71.903846 | 182.923077 | 52 |
+| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
+| Third_Baseman | 73.044444 | 200.955556 | 45 |
+
+Môžeme si všimnúť, že priemerná výška hráčov na prvej méte je vyššia ako hráčov na druhej méte. Preto môžeme byť v pokušení dospieť k záveru, že **hráči na prvej méte sú vyšší ako hráči na druhej méte**.
+
+> Toto tvrdenie sa nazýva **hypotéza**, pretože nevieme, či je tento fakt skutočne pravdivý alebo nie.
+
+Avšak nie je vždy zrejmé, či môžeme urobiť tento záver. Z vyššie uvedenej diskusie vieme, že každý priemer má pridružený interval spoľahlivosti, a preto tento rozdiel môže byť len štatistická chyba. Potrebujeme formálnejší spôsob na testovanie našej hypotézy.
+
+Poďme vypočítať intervaly spoľahlivosti samostatne pre výšky hráčov na prvej a druhej méte:
+
+| Spoľahlivosť | Prvá méta | Druhá méta |
+|--------------|-----------|------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+Vidíme, že pri žiadnej spoľahlivosti sa intervaly neprekrývajú. To dokazuje našu hypotézu, že hráči na prvej méte sú vyšší ako hráči na druhej méte.
+
+Formálnejšie, problém, ktorý riešime, je zistiť, či **dve pravdepodobnostné distribúcie sú rovnaké**, alebo aspoň majú rovnaké parametre. V závislosti od distribúcie musíme na to použiť rôzne testy. Ak vieme, že naše distribúcie sú normálne, môžeme použiť **[študentov t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+V študentovom t-teste vypočítame tzv. **t-hodnotu**, ktorá indikuje rozdiel medzi priemermi, pričom berie do úvahy rozptyl. Je dokázané, že t-hodnota nasleduje **študentovu distribúciu**, čo nám umožňuje získať prahovú hodnotu pre danú úroveň spoľahlivosti **p** (táto hodnota môže byť vypočítaná alebo vyhľadaná v numerických tabuľkách). Potom porovnáme t-hodnotu s touto prahovou hodnotou, aby sme hypotézu schválili alebo zamietli.
+
+V Pythone môžeme použiť balík **SciPy**, ktorý obsahuje funkciu `ttest_ind` (okrem mnohých ďalších užitočných štatistických funkcií!). Táto funkcia vypočíta t-hodnotu za nás a tiež vykoná spätné vyhľadanie p-hodnoty spoľahlivosti, takže môžeme jednoducho pozrieť na spoľahlivosť a urobiť záver.
+
+Napríklad naše porovnanie výšok hráčov na prvej a druhej méte nám dáva nasledujúce výsledky: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+V našom prípade je p-hodnota veľmi nízka, čo znamená, že existuje silný dôkaz podporujúci, že hráči na prvej méte sú vyšší.
+
+Existujú aj rôzne iné typy hypotéz, ktoré by sme mohli chcieť testovať, napríklad:
+* Dokázať, že daná vzorka nasleduje určitú distribúciu. V našom prípade sme predpokladali, že výšky sú normálne rozdelené, ale to si vyžaduje formálne štatistické overenie.
+* Dokázať, že priemerná hodnota vzorky zodpovedá nejakej preddefinovanej hodnote.
+* Porovnať priemery viacerých vzoriek (napr. aký je rozdiel v úrovniach šťastia medzi rôznymi vekovými skupinami).
+
+## Zákon veľkých čísel a centrálna limitná veta
+
+Jedným z dôvodov, prečo je normálne rozdelenie také dôležité, je tzv. **centrálna limitná veta**. Predpokladajme, že máme veľkú vzorku nezávislých N hodnôt X<sub>1</sub>, ..., X<sub>N</sub>, odobratých z akejkoľvek distribúcie s priemerom μ a rozptylom σ<sup>2</sup>. Potom, pre dostatočne veľké N (inými slovami, keď N→∞), priemer Σ<sub>i</sub>X<sub>i</sub> bude normálne rozdelený, s priemerom μ a rozptylom σ<sup>2</sup>/N.
+
+> Ďalší spôsob interpretácie centrálnej limitnej vety je povedať, že bez ohľadu na distribúciu, keď vypočítate priemer súčtu akýchkoľvek hodnôt náhodných premenných, skončíte s normálnym rozdelením.
+
+Z centrálnej limitnej vety tiež vyplýva, že keď N→∞, pravdepodobnosť, že priemer vzorky sa rovná μ, sa stáva 1. Toto je známe ako **zákon veľkých čísel**.
+
+## Kovariancia a korelácia
+
+Jednou z vecí, ktoré Data Science robí, je hľadanie vzťahov medzi dátami. Hovoríme, že dve sekvencie **korelujú**, keď vykazujú podobné správanie v rovnakom čase, t.j. buď stúpajú/klesajú súčasne, alebo jedna sekvencia stúpa, keď druhá klesá a naopak. Inými slovami, zdá sa, že medzi dvoma sekvenciami existuje nejaký vzťah.
+
+> Korelácia nemusí nevyhnutne indikovať kauzálny vzťah medzi dvoma sekvenciami; niekedy obe premenné môžu závisieť od nejakej vonkajšej príčiny, alebo to môže byť čisto náhodou, že dve sekvencie korelujú. Avšak silná matematická korelácia je dobrým indikátorom, že dve premenné sú nejako prepojené.
+
+Matematicky, hlavný koncept, ktorý ukazuje vzťah medzi dvoma náhodnými premennými, je **kovariancia**, ktorá sa počíta takto: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Počítame odchýlku oboch premenných od ich priemerných hodnôt a potom súčin týchto odchýlok. Ak obe premenné odchýlia spolu, súčin bude vždy kladná hodnota, ktorá sa sčíta na kladnú kovarianciu. Ak obe premenné odchýlia nesúhlasne (t.j. jedna klesne pod priemer, keď druhá stúpa nad priemer), vždy dostaneme záporné čísla, ktoré sa sčítajú na zápornú kovarianciu. Ak odchýlky nie sú závislé, sčítajú sa približne na nulu.
+
+Absolútna hodnota kovariancie nám veľa nehovorí o tom, aká veľká je korelácia, pretože závisí od veľkosti skutočných hodnôt. Na jej normalizáciu môžeme kovarianciu vydeliť štandardnou odchýlkou oboch premenných, aby sme získali **koreláciu**. Dobré na tom je, že korelácia je vždy v rozsahu [-1,1], kde 1 indikuje silnú pozitívnu koreláciu medzi hodnotami, -1 - silnú negatívnu koreláciu a 0 - žiadnu koreláciu (premenné sú nezávislé).
+
+**Príklad**: Môžeme vypočítať koreláciu medzi hmotnosťami a výškami hráčov baseballu z vyššie uvedenej databázy:
+```python
+print(np.corrcoef(weights,heights))
+```
+Výsledkom je **korelačná matica** ako táto:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> Korelačná matica C môže byť vypočítaná pre akýkoľvek počet vstupných sekvencií S<sub>1</sub>, ..., S<sub>n</sub>. Hodnota C<sub>ij</sub> je korelácia medzi S<sub>i</sub> a S<sub>j</sub>, a diagonálne prvky sú vždy 1 (čo je tiež samokorelácia S<sub>i</sub>).
+
+V našom prípade hodnota 0.53 indikuje, že existuje určitá korelácia medzi hmotnosťou a výškou osoby. Môžeme tiež vytvoriť scatter plot jednej hodnoty proti druhej, aby sme videli vzťah vizuálne:
+
+![Vzťah medzi hmotnosťou a výškou](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sk.png)
+
+> Viac príkladov korelácie a kovariancie nájdete v [sprievodnom poznámkovom bloku](notebook.ipynb).
+
+## Záver
+
+V tejto sekcii sme sa naučili:
+
+* základné štatistické vlastnosti dát, ako priemer, rozptyl, mód a kvartily
+* rôzne distribúcie náhodných premenných, vrátane normálneho rozdelenia
+* ako nájsť koreláciu medzi rôznymi vlastnosťami
+* ako použiť matematický a štatistický aparát na dokázanie hypotéz
+* ako vypočítať intervaly spoľahlivosti pre náhodnú premennú na základe vzorky dát
+
+Aj keď toto určite nie je vyčerpávajúci zoznam tém, ktoré existujú v rámci pravdepodobnosti a štatistiky, malo by to byť dostatočné na to, aby vám poskytlo dobrý začiatok do tohto kurzu.
+
+## 🚀 Výzva
+
+Použite ukážkový kód v poznámkovom bloku na testovanie iných hypotéz:
+1. Hráči na prvej méte sú starší ako hráči na druhej méte.
+2. Hráči na prvej méte sú vyšší ako hráči na tretej méte.
+3. Shortstops sú vyšší ako hráči na druhej méte.
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Prehľad a samostatné štúdium
+
+Pravdepodobnosť a štatistika je tak široká téma, že si zaslúži vlastný kurz. Ak máte záujem ísť hlbšie do teórie, môžete pokračovať v čítaní niektorých z nasledujúcich kníh:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) z New York University má skvelé poznámky z prednášok [Pravdepodobnosť a štatistika pre Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (dostupné online).
+1. [Peter a Andrew Bruce. Praktická štatistika pre Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[ukážkový kód v R](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+1. [James D. Miller. Štatistika pre Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[ukážkový kód v R](https://github.com/PacktPublishing/Statistics-for-Data-Science)].
+
+## Zadanie
+
+[Malá štúdia o diabete](assignment.md)
+
+## Kredity
+
+Táto lekcia bola vytvorená s ♥️ od [Dmitry Soshnikov](http://soshnikov.com).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/04-stats-and-probability/assignment.md b/translations/sk/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..c3cb4e54
--- /dev/null
+++ b/translations/sk/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:42:44+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Malá štúdia o cukrovke
+
+V tejto úlohe budeme pracovať s malým datasetom pacientov s cukrovkou, ktorý je prevzatý z [tohto odkazu](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | VEK | POHLAVIE | BMI | TK | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|----------|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## Pokyny
+
+* Otvorte [notebook k úlohe](assignment.ipynb) v prostredí jupyter notebook
+* Dokončite všetky úlohy uvedené v notebooku, konkrétne:
+   * [ ] Vypočítajte priemerné hodnoty a rozptyl pre všetky hodnoty
+   * [ ] Vytvorte boxploty pre BMI, TK a Y v závislosti od pohlavia
+   * [ ] Aké je rozdelenie premenných Vek, Pohlavie, BMI a Y?
+   * [ ] Otestujte koreláciu medzi rôznymi premennými a progresiou ochorenia (Y)
+   * [ ] Otestujte hypotézu, že miera progresie cukrovky sa líši medzi mužmi a ženami
+   
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Všetky požadované úlohy sú dokončené, graficky znázornené a vysvetlené | Väčšina úloh je dokončená, chýbajú vysvetlenia alebo závery z grafov a/alebo získaných hodnôt | Dokončené sú iba základné úlohy, ako výpočet priemeru/rozptylu a základné grafy, z dát nie sú vyvodené žiadne závery
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/1-Introduction/README.md b/translations/sk/1-Introduction/README.md
new file mode 100644
index 00000000..72fe7d96
--- /dev/null
+++ b/translations/sk/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T14:59:56+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "sk"
+}
+-->
+# Úvod do dátovej vedy
+
+![dáta v akcii](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sk.jpg)
+> Fotografia od <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephena Dawsona</a> na <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V týchto lekciách objavíte, ako je definovaná dátová veda, a oboznámite sa s etickými otázkami, ktoré musí dátový vedec zohľadniť. Taktiež sa dozviete, ako sú definované dáta, a získate základné poznatky o štatistike a pravdepodobnosti, ktoré sú jadrom akademických oblastí dátovej vedy.
+
+### Témy
+
+1. [Definovanie dátovej vedy](01-defining-data-science/README.md)
+2. [Etika dátovej vedy](02-ethics/README.md)
+3. [Definovanie dát](03-defining-data/README.md)
+4. [Úvod do štatistiky a pravdepodobnosti](04-stats-and-probability/README.md)
+
+### Poďakovanie
+
+Tieto lekcie boli napísané s ❤️ [Nityou Narasimhan](https://twitter.com/nitya) a [Dmitrym Soshnikovom](https://twitter.com/shwars).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/05-relational-databases/README.md b/translations/sk/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..31fab8a2
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:30:17+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "sk"
+}
+-->
+# Práca s dátami: Relačné databázy
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Práca s dátami: Relačné databázy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Je pravdepodobné, že ste v minulosti používali tabuľkový procesor na ukladanie informácií. Mali ste sadu riadkov a stĺpcov, kde riadky obsahovali informácie (alebo dáta) a stĺpce opisovali tieto informácie (niekedy nazývané metadáta). Relačná databáza je postavená na tomto základnom princípe stĺpcov a riadkov v tabuľkách, čo vám umožňuje mať informácie rozdelené do viacerých tabuliek. To vám umožňuje pracovať so zložitejšími dátami, vyhnúť sa duplicite a mať flexibilitu pri skúmaní dát. Poďme preskúmať koncepty relačnej databázy.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Všetko začína tabuľkami
+
+Relačná databáza má vo svojom jadre tabuľky. Rovnako ako v tabuľkovom procesore, tabuľka je zbierka stĺpcov a riadkov. Riadok obsahuje dáta alebo informácie, s ktorými chceme pracovať, ako napríklad názov mesta alebo množstvo zrážok. Stĺpce opisujú dáta, ktoré ukladajú.
+
+Začnime našu analýzu vytvorením tabuľky na ukladanie informácií o mestách. Môžeme začať s ich názvom a krajinou. Mohli by ste to uložiť do tabuľky nasledovne:
+
+| Mesto    | Krajina       |
+| -------- | ------------- |
+| Tokio    | Japonsko      |
+| Atlanta  | Spojené štáty |
+| Auckland | Nový Zéland   |
+
+Všimnite si, že názvy stĺpcov **mesto**, **krajina** a **populácia** opisujú dáta, ktoré sa ukladajú, a každý riadok obsahuje informácie o jednom meste.
+
+## Nedostatky prístupu s jednou tabuľkou
+
+Je pravdepodobné, že vyššie uvedená tabuľka vám pripadá pomerne známa. Začnime pridávať ďalšie dáta do našej rozrastajúcej sa databázy - ročné zrážky (v milimetroch). Zameriame sa na roky 2018, 2019 a 2020. Ak by sme ich pridali pre Tokio, mohlo by to vyzerať takto:
+
+| Mesto  | Krajina | Rok  | Množstvo |
+| ------ | ------- | ---- | -------- |
+| Tokio  | Japonsko| 2020 | 1690     |
+| Tokio  | Japonsko| 2019 | 1874     |
+| Tokio  | Japonsko| 2018 | 1445     |
+
+Čo si všimnete na našej tabuľke? Možno si všimnete, že opakovane duplikujeme názov a krajinu mesta. To by mohlo zabrať dosť miesta na ukladanie a je to väčšinou zbytočné. Koniec koncov, Tokio má len jeden názov, ktorý nás zaujíma.
+
+Dobre, skúsme niečo iné. Pridajme nové stĺpce pre každý rok:
+
+| Mesto    | Krajina       | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Tokio    | Japonsko      | 1445 | 1874 | 1690 |
+| Atlanta  | Spojené štáty | 1779 | 1111 | 1683 |
+| Auckland | Nový Zéland   | 1386 | 942  | 1176 |
+
+Aj keď sa týmto vyhneme duplikácii riadkov, pridáva to niekoľko ďalších výziev. Museli by sme upraviť štruktúru našej tabuľky zakaždým, keď pribudne nový rok. Navyše, ako naše dáta rastú, mať roky ako stĺpce by sťažilo získavanie a výpočty hodnôt.
+
+Preto potrebujeme viacero tabuliek a vzťahy. Rozdelením našich dát sa môžeme vyhnúť duplicite a mať väčšiu flexibilitu pri práci s dátami.
+
+## Koncepty vzťahov
+
+Vráťme sa k našim dátam a určme, ako ich chceme rozdeliť. Vieme, že chceme ukladať názov a krajinu našich miest, takže to bude pravdepodobne najlepšie fungovať v jednej tabuľke.
+
+| Mesto    | Krajina       |
+| -------- | ------------- |
+| Tokio    | Japonsko      |
+| Atlanta  | Spojené štáty |
+| Auckland | Nový Zéland   |
+
+Ale predtým, než vytvoríme ďalšiu tabuľku, musíme zistiť, ako odkazovať na každé mesto. Potrebujeme nejakú formu identifikátora, ID alebo (v technických databázových termínoch) primárny kľúč. Primárny kľúč je hodnota používaná na identifikáciu jedného konkrétneho riadku v tabuľke. Aj keď by to mohlo byť založené na samotnej hodnote (mohli by sme napríklad použiť názov mesta), takmer vždy by to malo byť číslo alebo iný identifikátor. Nechceme, aby sa ID niekedy zmenilo, pretože by to narušilo vzťah. Vo väčšine prípadov je primárny kľúč alebo ID automaticky generované číslo.
+
+> ✅ Primárny kľúč sa často skracuje ako PK
+
+### mestá
+
+| city_id | Mesto    | Krajina       |
+| ------- | -------- | ------------- |
+| 1       | Tokio    | Japonsko      |
+| 2       | Atlanta  | Spojené štáty |
+| 3       | Auckland | Nový Zéland   |
+
+> ✅ Všimnite si, že počas tejto lekcie používame pojmy "id" a "primárny kľúč" zameniteľne. Tieto koncepty platia aj pre DataFrames, ktoré budete skúmať neskôr. DataFrames nepoužívajú terminológiu "primárny kľúč", avšak všimnete si, že sa správajú veľmi podobne.
+
+S našou tabuľkou miest vytvorenou, uložme zrážky. Namiesto duplikovania úplných informácií o meste môžeme použiť ID. Mali by sme tiež zabezpečiť, aby novovytvorená tabuľka mala stĺpec *id*, pretože všetky tabuľky by mali mať ID alebo primárny kľúč.
+
+### zrážky
+
+| rainfall_id | city_id | Rok  | Množstvo |
+| ----------- | ------- | ---- | -------- |
+| 1           | 1       | 2018 | 1445     |
+| 2           | 1       | 2019 | 1874     |
+| 3           | 1       | 2020 | 1690     |
+| 4           | 2       | 2018 | 1779     |
+| 5           | 2       | 2019 | 1111     |
+| 6           | 2       | 2020 | 1683     |
+| 7           | 3       | 2018 | 1386     |
+| 8           | 3       | 2019 | 942      |
+| 9           | 3       | 2020 | 1176     |
+
+Všimnite si stĺpec **city_id** v novovytvorenej tabuľke **zrážky**. Tento stĺpec obsahuje hodnoty, ktoré odkazujú na ID v tabuľke **mestá**. V technických termínoch relačných dát sa to nazýva **cudzí kľúč**; je to primárny kľúč z inej tabuľky. Môžete si to jednoducho predstaviť ako referenciu alebo ukazovateľ. **city_id** 1 odkazuje na Tokio.
+
+> [!NOTE] Cudzí kľúč sa často skracuje ako FK
+
+## Získavanie dát
+
+S našimi dátami rozdelenými do dvoch tabuliek sa možno pýtate, ako ich získame. Ak používame relačnú databázu, ako je MySQL, SQL Server alebo Oracle, môžeme použiť jazyk nazývaný Structured Query Language alebo SQL. SQL (niekedy vyslovované ako "sequel") je štandardný jazyk používaný na získavanie a úpravu dát v relačnej databáze.
+
+Na získanie dát použijete príkaz `SELECT`. V jeho jadre **vyberáte** stĺpce, ktoré chcete vidieť, **z** tabuľky, v ktorej sa nachádzajú. Ak by ste chceli zobraziť len názvy miest, mohli by ste použiť nasledujúce:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` je miesto, kde uvediete stĺpce, a `FROM` je miesto, kde uvediete tabuľky.
+
+> [NOTE] Syntax SQL nie je citlivá na veľké a malé písmená, čo znamená, že `select` a `SELECT` znamenajú to isté. Avšak v závislosti od typu databázy, ktorú používate, môžu byť stĺpce a tabuľky citlivé na veľké a malé písmená. Preto je najlepšou praxou vždy zaobchádzať so všetkým v programovaní, akoby to bolo citlivé na veľké a malé písmená. Pri písaní SQL dotazov je bežnou konvenciou písať kľúčové slová veľkými písmenami.
+
+Vyššie uvedený dotaz zobrazí všetky mestá. Predstavme si, že chceme zobraziť iba mestá na Novom Zélande. Potrebujeme nejakú formu filtra. Kľúčové slovo SQL pre toto je `WHERE`, alebo "kde niečo platí".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Spájanie dát
+
+Doteraz sme získavali dáta z jednej tabuľky. Teraz chceme spojiť dáta z tabuliek **mestá** a **zrážky**. Toto sa robí pomocou *spájania* (join). V podstate vytvoríte spoj medzi dvoma tabuľkami a priradíte hodnoty zo stĺpca z každej tabuľky.
+
+V našom príklade priradíme stĺpec **city_id** v tabuľke **zrážky** so stĺpcom **city_id** v tabuľke **mestá**. Týmto spôsobom priradíme hodnotu zrážok k príslušnému mestu. Typ spojenia, ktoré vykonáme, sa nazýva *vnútorné spojenie* (inner join), čo znamená, že akékoľvek riadky, ktoré sa nezhodujú s ničím z druhej tabuľky, nebudú zobrazené. V našom prípade má každé mesto zrážky, takže všetko bude zobrazené.
+
+Získajme zrážky za rok 2019 pre všetky naše mestá.
+
+Budeme to robiť v krokoch. Prvým krokom je spojiť dáta dohromady uvedením stĺpcov pre spojenie - **city_id**, ako sme už spomenuli.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Zvýraznili sme dva stĺpce, ktoré chceme, a fakt, že chceme spojiť tabuľky pomocou **city_id**. Teraz môžeme pridať príkaz `WHERE`, aby sme filtrovali iba rok 2019.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Zhrnutie
+
+Relačné databázy sú založené na rozdelení informácií medzi viaceré tabuľky, ktoré sa potom spájajú na zobrazenie a analýzu. To poskytuje vysokú mieru flexibility na vykonávanie výpočtov a iné manipulácie s dátami. Videli ste základné koncepty relačnej databázy a ako vykonať spojenie medzi dvoma tabuľkami.
+
+## 🚀 Výzva
+
+Na internete je k dispozícii množstvo relačných databáz. Môžete preskúmať dáta pomocou zručností, ktoré ste sa naučili vyššie.
+
+## Kvíz po prednáške
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Prehľad a samoštúdium
+
+Na [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) je k dispozícii niekoľko zdrojov, ktoré vám umožnia pokračovať v skúmaní SQL a konceptov relačných databáz.
+
+- [Popis konceptov relačných dát](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Začnite s dotazovaním pomocou Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL je verzia SQL)
+- [Obsah SQL na Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Zadanie
+
+[Zadanie](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/05-relational-databases/assignment.md b/translations/sk/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..86899fc9
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:33:24+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Zobrazenie údajov o letiskách
+
+Bola vám poskytnutá [databáza](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) postavená na [SQLite](https://sqlite.org/index.html), ktorá obsahuje informácie o letiskách. Schéma je zobrazená nižšie. Budete používať [rozšírenie SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) v [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) na zobrazenie informácií o letiskách v rôznych mestách.
+
+## Pokyny
+
+Aby ste mohli začať s úlohou, budete musieť vykonať niekoľko krokov. Budete musieť nainštalovať potrebné nástroje a stiahnuť ukážkovú databázu.
+
+### Nastavenie systému
+
+Na interakciu s databázou môžete použiť Visual Studio Code a rozšírenie SQLite.
+
+1. Prejdite na [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) a postupujte podľa pokynov na inštaláciu Visual Studio Code
+1. Nainštalujte rozšírenie [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) podľa pokynov na stránke Marketplace
+
+### Stiahnutie a otvorenie databázy
+
+Ďalej si stiahnete a otvoríte databázu.
+
+1. Stiahnite si [databázový súbor z GitHubu](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) a uložte ho do adresára
+1. Otvorte Visual Studio Code
+1. Otvorte databázu v rozšírení SQLite výberom **Ctl-Shift-P** (alebo **Cmd-Shift-P** na Macu) a zadaním `SQLite: Open database`
+1. Vyberte **Choose database from file** a otvorte súbor **airports.db**, ktorý ste si predtým stiahli
+1. Po otvorení databázy (na obrazovke sa nezobrazí žiadna aktualizácia) vytvorte nové okno pre dotazy výberom **Ctl-Shift-P** (alebo **Cmd-Shift-P** na Macu) a zadaním `SQLite: New query`
+
+Po otvorení môžete nové okno pre dotazy použiť na spúšťanie SQL príkazov proti databáze. Na spustenie dotazov proti databáze môžete použiť príkaz **Ctl-Shift-Q** (alebo **Cmd-Shift-Q** na Macu).
+
+> [!NOTE] Pre viac informácií o rozšírení SQLite si môžete pozrieť [dokumentáciu](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Schéma databázy
+
+Schéma databázy je jej návrh a štruktúra tabuliek. Databáza **airports** obsahuje dve tabuľky: `cities`, ktorá obsahuje zoznam miest v Spojenom kráľovstve a Írsku, a `airports`, ktorá obsahuje zoznam všetkých letísk. Pretože niektoré mestá môžu mať viacero letísk, boli vytvorené dve tabuľky na uloženie informácií. V tomto cvičení použijete spájanie tabuliek (joins) na zobrazenie informácií o rôznych mestách.
+
+| Cities           |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Airports                         |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## Úloha
+
+Vytvorte dotazy, ktoré vrátia nasledujúce informácie:
+
+1. všetky názvy miest v tabuľke `Cities`
+1. všetky mestá v Írsku v tabuľke `Cities`
+1. všetky názvy letísk spolu s ich mestom a krajinou
+1. všetky letiská v Londýne, Spojené kráľovstvo
+
+## Hodnotenie
+
+| Vynikajúce | Dostatočné | Potrebuje zlepšenie |
+| ---------- | ---------- | ------------------- |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/06-non-relational/README.md b/translations/sk/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..83a252bb
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:54:43+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "sk"
+}
+-->
+# Práca s dátami: Nerelačné dáta
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Práca s NoSQL dátami - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Dáta nie sú obmedzené len na relačné databázy. Táto lekcia sa zameriava na nerelačné dáta a pokryje základy tabuľkových procesorov a NoSQL.
+
+## Tabuľkové procesory
+
+Tabuľkové procesory sú populárnym spôsobom ukladania a skúmania dát, pretože ich nastavenie a používanie vyžaduje menej práce. V tejto lekcii sa naučíte základné komponenty tabuľkového procesora, ako aj vzorce a funkcie. Príklady budú ilustrované pomocou Microsoft Excel, ale väčšina častí a tém bude mať podobné názvy a kroky v porovnaní s iným softvérom na tabuľkové procesory.
+
+![Prázdny zošit Microsoft Excel s dvoma pracovnými listami](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sk.png)
+
+Tabuľkový procesor je súbor, ktorý bude prístupný v súborovom systéme počítača, zariadenia alebo cloudového úložiska. Samotný softvér môže byť založený na prehliadači alebo aplikácia, ktorú je potrebné nainštalovať na počítač alebo stiahnuť ako aplikáciu. V Exceli sú tieto súbory definované ako **zošity** a táto terminológia bude použitá v zvyšku tejto lekcie.
+
+Zošit obsahuje jeden alebo viac **pracovných listov**, pričom každý pracovný list je označený kartami. V rámci pracovného listu sú obdĺžniky nazývané **bunky**, ktoré obsahujú skutočné dáta. Bunky sú priesečníkom riadkov a stĺpcov, pričom stĺpce sú označené abecednými znakmi a riadky číselne. Niektoré tabuľky obsahujú hlavičky v prvých niekoľkých riadkoch na popis dát v bunke.
+
+S týmito základnými prvkami zošita Excel použijeme príklad z [Microsoft Templates](https://templates.office.com/) zameraný na inventár, aby sme prešli niektoré ďalšie časti tabuľkového procesora.
+
+### Správa inventára
+
+Súbor tabuľkového procesora s názvom "InventoryExample" je formátovaná tabuľka položiek v inventári, ktorá obsahuje tri pracovné listy, pričom karty sú označené ako "Inventory List", "Inventory Pick List" a "Bin Lookup". Riadok 4 pracovného listu Inventory List je hlavička, ktorá popisuje hodnotu každej bunky v stĺpci hlavičky.
+
+![Zvýraznený vzorec z príkladu inventárneho zoznamu v Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sk.png)
+
+Existujú prípady, keď je hodnota bunky závislá od hodnôt iných buniek na jej výpočet. Tabuľka Inventory List sleduje náklady na každú položku v inventári, ale čo ak potrebujeme vedieť hodnotu všetkého v inventári? [**Vzorce**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) vykonávajú operácie na dátach v bunkách a v tomto príklade sa používajú na výpočet hodnoty inventára. Táto tabuľka použila vzorec v stĺpci Inventory Value na výpočet hodnoty každej položky vynásobením množstva pod hlavičkou QTY a nákladov pod hlavičkou COST. Dvojité kliknutie alebo zvýraznenie bunky zobrazí vzorec. Všimnete si, že vzorce začínajú znamienkom rovnosti, za ktorým nasleduje výpočet alebo operácia.
+
+![Zvýraznená funkcia z príkladu inventárneho zoznamu v Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sk.png)
+
+Môžeme použiť ďalší vzorec na sčítanie všetkých hodnôt stĺpca Inventory Value, aby sme získali jeho celkovú hodnotu. To by sa dalo vypočítať pridaním každej bunky, ale to môže byť zdĺhavá úloha. Excel má [**funkcie**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), alebo preddefinované vzorce na vykonávanie výpočtov na hodnotách buniek. Funkcie vyžadujú argumenty, čo sú potrebné hodnoty na vykonanie týchto výpočtov. Keď funkcie vyžadujú viac ako jeden argument, musia byť uvedené v konkrétnom poradí, inak funkcia nemusí vypočítať správnu hodnotu. Tento príklad používa funkciu SUM a používa hodnoty stĺpca Inventory Value ako argument na sčítanie, čím generuje celkovú hodnotu uvedenú v riadku 3, stĺpci B (tiež označovanom ako B3).
+
+## NoSQL
+
+NoSQL je zastrešujúci termín pre rôzne spôsoby ukladania nerelačných dát a môže byť interpretovaný ako "non-SQL", "nerelačné" alebo "nielen SQL". Tieto typy databázových systémov môžeme rozdeliť do 4 kategórií.
+
+![Grafické znázornenie key-value databázy zobrazujúce 4 unikátne numerické kľúče spojené so 4 rôznymi hodnotami](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sk.png)
+> Zdroj: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) databázy spájajú unikátne kľúče, ktoré sú jedinečnými identifikátormi spojenými s hodnotou. Tieto páry sú uložené pomocou [hash tabuľky](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) s vhodnou hashovacou funkciou.
+
+![Grafické znázornenie grafovej databázy zobrazujúce vzťahy medzi ľuďmi, ich záujmami a lokalitami](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sk.png)
+> Zdroj: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Grafové](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) databázy popisujú vzťahy v dátach a sú reprezentované ako kolekcia uzlov a hrán. Uzol predstavuje entitu, niečo, čo existuje v reálnom svete, ako napríklad študent alebo bankový výpis. Hrany predstavujú vzťah medzi dvoma entitami. Každý uzol a hrana majú vlastnosti, ktoré poskytujú dodatočné informácie o každom uzle a hrane.
+
+![Grafické znázornenie stĺpcovej databázy zobrazujúce databázu zákazníkov s dvoma rodinami stĺpcov nazvanými Identity a Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sk.png)
+
+[Stĺpcové](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) databázy organizujú dáta do stĺpcov a riadkov podobne ako relačné štruktúry, ale každý stĺpec je rozdelený do skupín nazývaných rodiny stĺpcov, kde všetky dáta pod jedným stĺpcom súvisia a môžu byť načítané a zmenené ako jedna jednotka.
+
+### Dokumentové databázy s Azure Cosmos DB
+
+[Dokumentové](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) databázy stavajú na koncepte key-value databáz a pozostávajú zo série polí a objektov. Táto sekcia preskúma dokumentové databázy pomocou emulátora Cosmos DB.
+
+Databáza Cosmos DB spĺňa definíciu "nielen SQL", kde dokumentová databáza Cosmos DB využíva SQL na dotazovanie dát. [Predchádzajúca lekcia](../05-relational-databases/README.md) o SQL pokrýva základy jazyka a niektoré z týchto dotazov budeme môcť použiť aj na dokumentovú databázu. Použijeme emulátor Cosmos DB, ktorý nám umožní vytvárať a skúmať dokumentovú databázu lokálne na počítači. Viac o emulátore si môžete prečítať [tu](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Dokument je kolekcia polí a hodnôt objektov, kde polia popisujú, čo hodnota objektu predstavuje. Nižšie je príklad dokumentu.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Polia, ktoré nás v tomto dokumente zaujímajú, sú: `firstname`, `id` a `age`. Ostatné polia s podčiarkovníkmi boli vygenerované Cosmos DB.
+
+#### Preskúmanie dát pomocou emulátora Cosmos DB
+
+Môžete si stiahnuť a nainštalovať emulátor [pre Windows tu](https://aka.ms/cosmosdb-emulator). Pozrite si túto [dokumentáciu](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) pre možnosti, ako spustiť emulátor na macOS a Linuxe.
+
+Emulátor spustí okno prehliadača, kde pohľad Explorer umožňuje preskúmať dokumenty.
+
+![Pohľad Explorer v emulátore Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sk.png)
+
+Ak postupujete podľa pokynov, kliknite na "Start with Sample", aby ste vygenerovali vzorovú databázu s názvom SampleDB. Ak rozbalíte SampleDB kliknutím na šípku, nájdete kontajner s názvom `Persons`. Kontajner obsahuje kolekciu položiek, ktoré sú dokumentmi v rámci kontajnera. Môžete preskúmať štyri jednotlivé dokumenty pod `Items`.
+
+![Preskúmanie vzorových dát v emulátore Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sk.png)
+
+#### Dotazovanie na dokumentové dáta pomocou emulátora Cosmos DB
+
+Môžeme tiež dotazovať na vzorové dáta kliknutím na tlačidlo New SQL Query (druhé tlačidlo zľava).
+
+`SELECT * FROM c` vráti všetky dokumenty v kontajneri. Pridajme klauzulu where a nájdime všetkých mladších ako 40 rokov.
+
+`SELECT * FROM c where c.age < 40`
+
+![Spustenie dotazu SELECT na vzorových dátach v emulátore Cosmos DB na nájdenie dokumentov, ktoré majú hodnotu poľa age menšiu ako 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sk.png)
+
+Dotaz vráti dva dokumenty, pričom hodnota age pre každý dokument je menšia ako 40.
+
+#### JSON a dokumenty
+
+Ak ste oboznámení s JavaScript Object Notation (JSON), všimnete si, že dokumenty vyzerajú podobne ako JSON. V tomto adresári sa nachádza súbor `PersonsData.json` s ďalšími dátami, ktoré môžete nahrať do kontajnera Persons v emulátore pomocou tlačidla `Upload Item`.
+
+Vo väčšine prípadov môžu byť API, ktoré vracajú JSON dáta, priamo prenesené a uložené v dokumentových databázach. Nižšie je ďalší dokument, ktorý predstavuje tweety z účtu Microsoft na Twitteri, získané pomocou Twitter API a následne vložené do Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Polia, ktoré nás v tomto dokumente zaujímajú, sú: `created_at`, `id` a `text`.
+
+## 🚀 Výzva
+
+V adresári sa nachádza súbor `TwitterData.json`, ktorý môžete nahrať do databázy SampleDB. Odporúča sa, aby ste ho pridali do samostatného kontajnera. To môžete urobiť nasledovne:
+
+1. Kliknite na tlačidlo New Container v pravom hornom rohu.
+2. Vyberte existujúcu databázu (SampleDB) a vytvorte ID kontajnera pre nový kontajner.
+3. Nastavte partition key na `/id`.
+4. Kliknite na OK (ostatné informácie v tomto zobrazení môžete ignorovať, pretože ide o malú dátovú sadu spustenú lokálne na vašom počítači).
+5. Otvorte nový kontajner a nahrajte súbor Twitter Data pomocou tlačidla `Upload Item`.
+
+Skúste spustiť niekoľko dotazov SELECT na nájdenie dokumentov, ktoré obsahujú slovo Microsoft v poli text. Tip: skúste použiť [kľúčové slovo LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Prehľad a samoštúdium
+
+- Existujú ďalšie formátovania a funkcie pridané do tejto tabuľky, ktoré táto lekcia nepokrýva. Microsoft má [veľkú knižnicu dokumentácie a videí](https://support.microsoft.com/excel) o Exceli, ak máte záujem dozvedieť sa viac.
+
+- Táto architektonická dokumentácia podrobne popisuje charakteristiky rôznych typov nerelačných dát: [Nerelačné dáta a NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data).
+
+- Cosmos DB je cloudová nerelačná databáza, ktorá môže tiež ukladať rôzne typy NoSQL spomenuté v tejto lekcii. Viac o týchto typoch sa dozviete v tomto [Microsoft Learn module o Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Zadanie
+
+[Soda Profits](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/06-non-relational/assignment.md b/translations/sk/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..2a3c4834
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:57:57+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Zisky zo sódy
+
+## Pokyny
+
+V tabuľke [Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) chýbajú niektoré výpočty. Vašou úlohou je: 
+
+1. Vypočítať hrubé zisky za fiškálne roky '15, '16, '17 a '18
+    - Hrubý zisk = Čisté prevádzkové príjmy - Náklady na predaný tovar
+1. Vypočítať priemer všetkých hrubých ziskov. Skúste to urobiť pomocou funkcie.
+    - Priemer = Súčet hrubých ziskov vydelený počtom fiškálnych rokov (10)
+    - Dokumentácia k [funkcii AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Toto je Excel súbor, ale mal by byť upraviteľný v akejkoľvek platforme pre tabuľky
+
+[Zdroj údajov: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Kritériá hodnotenia
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | ---
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/07-python/README.md b/translations/sk/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..b826dca9
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:46:54+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "sk"
+}
+-->
+# Práca s dátami: Python a knižnica Pandas
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Práca s Pythonom - _Sketchnote od [@nitya](https://twitter.com/nitya)_                   |
+
+[![Úvodné video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sk.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Databázy ponúkajú veľmi efektívne spôsoby ukladania dát a ich dotazovania pomocou dotazovacích jazykov, no najflexibilnejším spôsobom spracovania dát je napísanie vlastného programu na manipuláciu s dátami. V mnohých prípadoch by bolo efektívnejšie použiť dotaz do databázy. Avšak v niektorých situáciách, keď je potrebné komplexnejšie spracovanie dát, to nie je jednoduché vykonať pomocou SQL. 
+Spracovanie dát je možné programovať v akomkoľvek programovacom jazyku, ale existujú jazyky, ktoré sú na prácu s dátami na vyššej úrovni. Dátoví vedci zvyčajne preferujú jeden z nasledujúcich jazykov:
+
+* **[Python](https://www.python.org/)**, univerzálny programovací jazyk, ktorý je často považovaný za jednu z najlepších možností pre začiatočníkov vďaka svojej jednoduchosti. Python má množstvo doplnkových knižníc, ktoré vám môžu pomôcť vyriešiť praktické problémy, ako napríklad extrakciu dát zo ZIP archívu alebo konverziu obrázku na odtiene šedej. Okrem dátovej vedy sa Python často používa aj na vývoj webových aplikácií. 
+* **[R](https://www.r-project.org/)** je tradičný nástroj vyvinutý s ohľadom na štatistické spracovanie dát. Obsahuje veľké úložisko knižníc (CRAN), čo z neho robí dobrú voľbu na spracovanie dát. R však nie je univerzálny programovací jazyk a mimo oblasti dátovej vedy sa používa len zriedka.
+* **[Julia](https://julialang.org/)** je ďalší jazyk vyvinutý špeciálne pre dátovú vedu. Je navrhnutý tak, aby poskytoval lepší výkon ako Python, čo z neho robí skvelý nástroj na vedecké experimentovanie.
+
+V tejto lekcii sa zameriame na používanie Pythonu na jednoduché spracovanie dát. Predpokladáme základnú znalosť jazyka. Ak chcete hlbší úvod do Pythonu, môžete sa pozrieť na jeden z nasledujúcich zdrojov:
+
+* [Naučte sa Python zábavným spôsobom pomocou Turtle Graphics a fraktálov](https://github.com/shwars/pycourse) - rýchly úvodný kurz do programovania v Pythone na GitHube
+* [Urobte svoje prvé kroky s Pythonom](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) - vzdelávacia cesta na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Dáta môžu mať rôzne formy. V tejto lekcii sa budeme zaoberať tromi formami dát - **tabuľkovými dátami**, **textom** a **obrázkami**.
+
+Zameriame sa na niekoľko príkladov spracovania dát, namiesto toho, aby sme vám poskytli úplný prehľad všetkých súvisiacich knižníc. To vám umožní získať základnú predstavu o tom, čo je možné, a zanechá vám pochopenie, kde nájsť riešenia vašich problémov, keď ich budete potrebovať.
+
+> **Najužitočnejšia rada**. Keď potrebujete vykonať určitú operáciu na dátach, o ktorej neviete, ako ju vykonať, skúste ju vyhľadať na internete. [Stackoverflow](https://stackoverflow.com/) zvyčajne obsahuje množstvo užitočných ukážok kódu v Pythone pre mnohé typické úlohy. 
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Tabuľkové dáta a DataFrame
+
+S tabuľkovými dátami ste sa už stretli, keď sme hovorili o relačných databázach. Keď máte veľa dát, ktoré sú uložené v mnohých rôznych prepojených tabuľkách, určite má zmysel používať SQL na prácu s nimi. Existuje však veľa prípadov, keď máme tabuľku dát a potrebujeme získať nejaké **pochopenie** alebo **poznatky** o týchto dátach, ako napríklad rozdelenie, korelácia medzi hodnotami atď. V dátovej vede je veľa situácií, keď potrebujeme vykonať nejaké transformácie pôvodných dát, nasledované vizualizáciou. Obe tieto kroky je možné jednoducho vykonať pomocou Pythonu.
+
+Existujú dve najužitočnejšie knižnice v Pythone, ktoré vám môžu pomôcť pracovať s tabuľkovými dátami:
+* **[Pandas](https://pandas.pydata.org/)** umožňuje manipulovať s tzv. **DataFrame**, ktoré sú analogické relačným tabuľkám. Môžete mať pomenované stĺpce a vykonávať rôzne operácie na riadkoch, stĺpcoch a DataFrame všeobecne. 
+* **[Numpy](https://numpy.org/)** je knižnica na prácu s **tenzormi**, t.j. viacrozmernými **poľami**. Pole má hodnoty rovnakého základného typu a je jednoduchšie ako DataFrame, ale ponúka viac matematických operácií a vytvára menšiu režijnú záťaž.
+
+Existuje aj niekoľko ďalších knižníc, o ktorých by ste mali vedieť:
+* **[Matplotlib](https://matplotlib.org/)** je knižnica používaná na vizualizáciu dát a kreslenie grafov
+* **[SciPy](https://www.scipy.org/)** je knižnica s niektorými doplnkovými vedeckými funkciami. Už sme sa s touto knižnicou stretli, keď sme hovorili o pravdepodobnosti a štatistike
+
+Tu je kúsok kódu, ktorý by ste zvyčajne použili na import týchto knižníc na začiatku vášho programu v Pythone:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas je založený na niekoľkých základných konceptoch.
+
+### Series 
+
+**Series** je sekvencia hodnôt, podobná zoznamu alebo numpy poľu. Hlavný rozdiel je v tom, že Series má tiež **index**, a keď pracujeme so Series (napr. ich sčítavame), index sa berie do úvahy. Index môže byť taký jednoduchý ako číslo riadku (je to predvolený index pri vytváraní Series zo zoznamu alebo poľa), alebo môže mať komplexnú štruktúru, ako napríklad časový interval.
+
+> **Poznámka**: V sprievodnom notebooku [`notebook.ipynb`](notebook.ipynb) je niekoľko úvodných ukážok kódu Pandas. Tu uvádzame len niektoré príklady, ale určite si môžete pozrieť celý notebook.
+
+Zvážte príklad: chceme analyzovať predaj nášho stánku so zmrzlinou. Vygenerujme sériu čísel predaja (počet predaných položiek každý deň) za určité časové obdobie:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```
+![Graf časovej série](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sk.png)
+
+Predpokladajme, že každý týždeň organizujeme párty pre priateľov a berieme na párty ďalších 10 balení zmrzliny. Môžeme vytvoriť ďalšiu sériu, indexovanú podľa týždňov, aby sme to ukázali:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+Keď sčítame dve série, dostaneme celkový počet:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Graf časovej série](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sk.png)
+
+> **Poznámka**: Nepoužívame jednoduchú syntax `total_items+additional_items`. Ak by sme to urobili, dostali by sme veľa hodnôt `NaN` (*Not a Number*) v výslednej sérii. Je to preto, že pre niektoré indexové body v sérii `additional_items` chýbajú hodnoty, a sčítanie `NaN` s čímkoľvek vedie k `NaN`. Preto musíme počas sčítania špecifikovať parameter `fill_value`.
+
+Pri časových sériách môžeme tiež **preukladať** sériu s rôznymi časovými intervalmi. Napríklad, ak chceme vypočítať priemerný objem predaja mesačne, môžeme použiť nasledujúci kód:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Mesačné priemery časovej série](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sk.png)
+
+### DataFrame
+
+DataFrame je v podstate kolekcia sérií s rovnakým indexom. Môžeme spojiť niekoľko sérií do jedného DataFrame:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+Týmto vytvoríme horizontálnu tabuľku ako túto:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Môžeme tiež použiť Series ako stĺpce a špecifikovať názvy stĺpcov pomocou slovníka:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+Týmto získame tabuľku ako túto:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Poznámka**: Túto tabuľku môžeme tiež získať transponovaním predchádzajúcej tabuľky, napr. napísaním 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+Tu `.T` znamená operáciu transponovania DataFrame, t.j. zmenu riadkov a stĺpcov, a operácia `rename` nám umožňuje premenovať stĺpce tak, aby zodpovedali predchádzajúcemu príkladu.
+
+Tu sú niektoré z najdôležitejších operácií, ktoré môžeme vykonávať na DataFrame:
+
+**Výber stĺpcov**. Môžeme vybrať jednotlivé stĺpce napísaním `df['A']` - táto operácia vráti Series. Môžeme tiež vybrať podmnožinu stĺpcov do iného DataFrame napísaním `df[['B','A']]` - to vráti ďalší DataFrame.
+
+**Filtrovanie** len určitých riadkov podľa kritérií. Napríklad, ak chceme ponechať len riadky, kde je stĺpec `A` väčší ako 5, môžeme napísať `df[df['A']>5]`.
+
+> **Poznámka**: Spôsob, akým filtrovanie funguje, je nasledujúci. Výraz `df['A']<5` vráti booleovskú sériu, ktorá indikuje, či je výraz `True` alebo `False` pre každý prvok pôvodnej série `df['A']`. Keď sa booleovská séria použije ako index, vráti podmnožinu riadkov v DataFrame. Preto nie je možné použiť ľubovoľný Python booleovský výraz, napríklad napísanie `df[df['A']>5 and df['A']<7]` by bolo nesprávne. Namiesto toho by ste mali použiť špeciálnu operáciu `&` na booleovských sériách, napísaním `df[(df['A']>5) & (df['A']<7)]` (*zátvorky sú tu dôležité*).
+
+**Vytváranie nových vypočítateľných stĺpcov**. Môžeme jednoducho vytvoriť nové vypočítateľné stĺpce pre náš DataFrame pomocou intuitívneho výrazu ako tento:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+Tento príklad vypočíta odchýlku A od jeho priemernej hodnoty. Čo sa tu vlastne deje, je, že počítame sériu a potom túto sériu priraďujeme na ľavú stranu, čím vytvárame ďalší stĺpec. Preto nemôžeme použiť žiadne operácie, ktoré nie sú kompatibilné so sériami, napríklad nasledujúci kód je nesprávny:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+Posledný príklad, hoci je syntakticky správny, nám dáva nesprávny výsledok, pretože priraďuje dĺžku série `B` všetkým hodnotám v stĺpci, a nie dĺžku jednotlivých prvkov, ako sme zamýšľali.
+
+Ak potrebujeme vypočítať komplexné výrazy ako tento, môžeme použiť funkciu `apply`. Posledný príklad môžeme napísať takto:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+Po vyššie uvedených operáciách skončíme s nasledujúcim DataFrame:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Výber riadkov podľa čísel** je možné vykonať pomocou konštruktu `iloc`. Napríklad, ak chceme vybrať prvých 5 riadkov z DataFrame:
+```python
+df.iloc[:5]
+```
+
+**Skupinovanie** sa často používa na získanie výsledku podobného *pivotným tabuľkám* v Exceli. Predpokladajme, že chceme vypočítať priemernú hodnotu stĺpca `A` pre každé dané číslo `LenB`. Potom môžeme zoskupiť náš DataFrame podľa `LenB` a zavolať `mean`:
+```python
+df.groupby(by='LenB').mean()
+```
+Ak potrebujeme vypočítať priemer a počet prvkov v skupine, môžeme použiť komplexnejšiu funkciu `aggregate`:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+Týmto získame nasledujúcu tabuľku:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Získavanie dát
+Videli sme, aké jednoduché je vytvoriť Series a DataFrames z objektov v Pythone. Dáta však zvyčajne prichádzajú vo forme textového súboru alebo Excel tabuľky. Našťastie, Pandas nám ponúka jednoduchý spôsob, ako načítať dáta z disku. Napríklad, čítanie CSV súboru je také jednoduché ako toto:  
+```python
+df = pd.read_csv('file.csv')
+```  
+V sekcii "Výzva" uvidíme viac príkladov načítania dát, vrátane ich získavania z externých webových stránok.  
+
+### Tlačenie a Vizualizácia  
+
+Dátový vedec často potrebuje preskúmať dáta, preto je dôležité vedieť ich vizualizovať. Keď je DataFrame veľký, často chceme len overiť, že robíme všetko správne, vytlačením prvých niekoľkých riadkov. To sa dá urobiť zavolaním `df.head()`. Ak to spustíte v Jupyter Notebooku, vytlačí sa DataFrame v peknej tabuľkovej forme.  
+
+Tiež sme videli použitie funkcie `plot` na vizualizáciu niektorých stĺpcov. Hoci je `plot` veľmi užitočný pre mnohé úlohy a podporuje rôzne typy grafov cez parameter `kind=`, vždy môžete použiť knižnicu `matplotlib` na vykreslenie niečoho zložitejšieho. Vizualizáciu dát podrobne pokryjeme v samostatných lekciách kurzu.  
+
+Tento prehľad pokrýva najdôležitejšie koncepty Pandas, avšak knižnica je veľmi bohatá a neexistujú žiadne limity, čo s ňou môžete robiť! Poďme teraz aplikovať tieto znalosti na riešenie konkrétneho problému.  
+
+## 🚀 Výzva 1: Analýza šírenia COVID  
+
+Prvý problém, na ktorý sa zameriame, je modelovanie šírenia epidémie COVID-19. Na tento účel použijeme dáta o počte nakazených osôb v rôznych krajinách, ktoré poskytuje [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) na [Johns Hopkins University](https://jhu.edu/). Dataset je dostupný v [tomto GitHub repozitári](https://github.com/CSSEGISandData/COVID-19).  
+
+Keďže chceme demonštrovať, ako pracovať s dátami, pozývame vás otvoriť [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) a prečítať si ho od začiatku do konca. Môžete tiež spustiť bunky a vyriešiť niektoré výzvy, ktoré sme pre vás nechali na konci.  
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sk.png)  
+
+> Ak neviete, ako spustiť kód v Jupyter Notebooku, pozrite si [tento článok](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).  
+
+## Práca s neštruktúrovanými dátami  
+
+Hoci dáta často prichádzajú v tabuľkovej forme, v niektorých prípadoch musíme pracovať s menej štruktúrovanými dátami, napríklad textom alebo obrázkami. V takom prípade, aby sme mohli aplikovať techniky spracovania dát, ktoré sme videli vyššie, musíme nejako **extrahovať** štruktúrované dáta. Tu je niekoľko príkladov:  
+
+* Extrahovanie kľúčových slov z textu a zisťovanie, ako často sa tieto kľúčové slová objavujú  
+* Použitie neurónových sietí na extrakciu informácií o objektoch na obrázku  
+* Získavanie informácií o emóciách ľudí na videozázname  
+
+## 🚀 Výzva 2: Analýza COVID článkov  
+
+V tejto výzve budeme pokračovať v téme pandémie COVID a zameriame sa na spracovanie vedeckých článkov na túto tému. Existuje [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) s viac ako 7000 (v čase písania) článkami o COVID, dostupný s metadátami a abstraktmi (a pre približne polovicu z nich je k dispozícii aj celý text).  
+
+Kompletný príklad analýzy tohto datasetu pomocou [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) kognitívnej služby je popísaný [v tomto blogovom príspevku](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Diskutujeme o zjednodušenej verzii tejto analýzy.  
+
+> **NOTE**: Nekopírujeme dataset ako súčasť tohto repozitára. Možno budete musieť najskôr stiahnuť súbor [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) z [tohto datasetu na Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Môže byť potrebná registrácia na Kaggle. Dataset si môžete stiahnuť aj bez registrácie [odtiaľto](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), ale bude obsahovať všetky plné texty okrem súboru s metadátami.  
+
+Otvorte [`notebook-papers.ipynb`](notebook-papers.ipynb) a prečítajte si ho od začiatku do konca. Môžete tiež spustiť bunky a vyriešiť niektoré výzvy, ktoré sme pre vás nechali na konci.  
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sk.png)  
+
+## Spracovanie obrazových dát  
+
+V poslednej dobe boli vyvinuté veľmi výkonné AI modely, ktoré nám umožňujú porozumieť obrázkom. Existuje mnoho úloh, ktoré je možné vyriešiť pomocou predtrénovaných neurónových sietí alebo cloudových služieb. Niektoré príklady zahŕňajú:  
+
+* **Klasifikácia obrázkov**, ktorá vám môže pomôcť kategorizovať obrázok do jednej z preddefinovaných tried. Svoje vlastné klasifikátory obrázkov môžete jednoducho trénovať pomocou služieb ako [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum)  
+* **Detekcia objektov** na detekciu rôznych objektov na obrázku. Služby ako [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) dokážu detekovať množstvo bežných objektov a môžete trénovať model [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) na detekciu špecifických objektov, ktoré vás zaujímajú.  
+* **Detekcia tvárí**, vrátane veku, pohlavia a detekcie emócií. Toto je možné vykonať pomocou [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).  
+
+Všetky tieto cloudové služby je možné volať pomocou [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), a teda ich možno ľahko začleniť do vášho pracovného postupu pri skúmaní dát.  
+
+Tu sú niektoré príklady skúmania dát z obrazových zdrojov:  
+* V blogovom príspevku [Ako sa naučiť dátovú vedu bez kódovania](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) skúmame fotografie z Instagramu, snažiac sa pochopiť, čo spôsobuje, že ľudia dávajú viac lajkov na fotografiu. Najprv extrahujeme čo najviac informácií z obrázkov pomocou [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) a potom použijeme [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) na vytvorenie interpretovateľného modelu.  
+* V [Workshopu o štúdiách tvárí](https://github.com/CloudAdvocacy/FaceStudies) používame [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) na extrakciu emócií ľudí na fotografiách z udalostí, aby sme sa pokúsili pochopiť, čo robí ľudí šťastnými.  
+
+## Záver  
+
+Či už máte štruktúrované alebo neštruktúrované dáta, pomocou Pythonu môžete vykonávať všetky kroky súvisiace so spracovaním a porozumením dát. Je to pravdepodobne najflexibilnejší spôsob spracovania dát, a preto väčšina dátových vedcov používa Python ako svoj primárny nástroj. Naučiť sa Python do hĺbky je pravdepodobne dobrý nápad, ak to s dátovou vedou myslíte vážne!  
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)  
+
+## Prehľad a samostatné štúdium  
+
+**Knihy**  
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)  
+
+**Online zdroje**  
+* Oficiálny [10 minútový Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) tutoriál  
+* [Dokumentácia o vizualizácii v Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)  
+
+**Učenie Pythonu**  
+* [Naučte sa Python zábavným spôsobom s Turtle Graphics a fraktálmi](https://github.com/shwars/pycourse)  
+* [Urobte svoje prvé kroky s Pythonom](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) vzdelávacia cesta na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)  
+
+## Zadanie  
+
+[Urobte podrobnejšiu štúdiu dát pre vyššie uvedené výzvy](assignment.md)  
+
+## Kredity  
+
+Táto lekcia bola vytvorená s ♥️ od [Dmitry Soshnikov](http://soshnikov.com)  
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/07-python/assignment.md b/translations/sk/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..fd40aafd
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:51:44+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Zadanie na spracovanie údajov v Pythone
+
+V tomto zadaní vás požiadame, aby ste rozpracovali kód, ktorý sme začali vyvíjať v našich výzvach. Zadanie pozostáva z dvoch častí:
+
+## Modelovanie šírenia COVID-19
+
+ - [ ] Vykreslite grafy *R* pre 5-6 rôznych krajín na jednom grafe na porovnanie alebo použite niekoľko grafov vedľa seba.
+ - [ ] Zistite, ako počet úmrtí a uzdravení koreluje s počtom nakazených prípadov.
+ - [ ] Zistite, ako dlho typicky trvá choroba, vizuálnym porovnaním miery infekcie a miery úmrtí a hľadaním určitých anomálií. Možno budete musieť preskúmať rôzne krajiny, aby ste to zistili.
+ - [ ] Vypočítajte mieru úmrtnosti a ako sa mení v čase. *Môžete chcieť zohľadniť dĺžku choroby v dňoch a posunúť jednu časovú sériu pred vykonaním výpočtov.*
+
+## Analýza článkov o COVID-19
+
+- [ ] Vytvorte maticu spoluvýskytu rôznych liekov a zistite, ktoré lieky sa často vyskytujú spolu (t. j. sú spomenuté v jednom abstrakte). Môžete upraviť kód na vytvorenie matice spoluvýskytu pre lieky a diagnózy.
+- [ ] Vizualizujte túto maticu pomocou teplotnej mapy.
+- [ ] Ako rozšírený cieľ vizualizujte spoluvýskyt liekov pomocou [chordového diagramu](https://en.wikipedia.org/wiki/Chord_diagram). [Táto knižnica](https://pypi.org/project/chord/) vám môže pomôcť nakresliť chordový diagram.
+- [ ] Ako ďalší rozšírený cieľ extrahujte dávkovanie rôznych liekov (napríklad **400mg** v *užívajte 400mg chloroquinu denne*) pomocou regulárnych výrazov a vytvorte dataframe, ktorý ukazuje rôzne dávky pre rôzne lieky. **Poznámka**: zvážte číselné hodnoty, ktoré sa nachádzajú v blízkom textovom okolí názvu lieku.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Všetky úlohy sú splnené, graficky znázornené a vysvetlené, vrátane aspoň jedného z dvoch rozšírených cieľov | Viac ako 5 úloh je splnených, žiadne rozšírené ciele nie sú pokusné, alebo výsledky nie sú jasné | Menej ako 5 (ale viac ako 3) úloh je splnených, vizualizácie nepomáhajú demonštrovať pointu
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/08-data-preparation/README.md b/translations/sk/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..a09de1bd
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:38:05+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "sk"
+}
+-->
+# Práca s dátami: Príprava dát
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Príprava dát - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+V závislosti od zdroja môžu surové dáta obsahovať nekonzistencie, ktoré spôsobujú problémy pri analýze a modelovaní. Inými slovami, tieto dáta môžu byť označené ako „špinavé“ a bude ich potrebné vyčistiť. Táto lekcia sa zameriava na techniky čistenia a transformácie dát na riešenie problémov s chýbajúcimi, nepresnými alebo neúplnými dátami. Témy pokryté v tejto lekcii využívajú Python a knižnicu Pandas a budú [predvedené v notebooku](notebook.ipynb) v tomto adresári.
+
+## Dôležitosť čistenia dát
+
+- **Jednoduchosť použitia a opätovného použitia**: Keď sú dáta správne organizované a normalizované, je jednoduchšie ich vyhľadávať, používať a zdieľať s ostatnými.
+
+- **Konzistentnosť**: Dátová veda často vyžaduje prácu s viacerými datasetmi, kde datasety z rôznych zdrojov musia byť spojené. Zabezpečenie, že každý jednotlivý dataset má spoločnú štandardizáciu, zaručí, že dáta budú stále užitočné, keď sa spoja do jedného datasetu.
+
+- **Presnosť modelu**: Vyčistené dáta zlepšujú presnosť modelov, ktoré na nich závisia.
+
+## Bežné ciele a stratégie čistenia
+
+- **Preskúmanie datasetu**: Preskúmanie dát, ktoré je pokryté v [neskoršej lekcii](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), vám môže pomôcť objaviť dáta, ktoré je potrebné vyčistiť. Vizualizácia hodnôt v datasete môže nastaviť očakávania, ako bude zvyšok vyzerať, alebo poskytnúť predstavu o problémoch, ktoré je možné vyriešiť. Preskúmanie môže zahŕňať základné dotazovanie, vizualizácie a vzorkovanie.
+
+- **Formátovanie**: V závislosti od zdroja môžu dáta obsahovať nekonzistencie v tom, ako sú prezentované. To môže spôsobiť problémy pri vyhľadávaní a reprezentácii hodnôt, kde sú viditeľné v datasete, ale nie sú správne reprezentované vo vizualizáciách alebo výsledkoch dotazov. Bežné problémy s formátovaním zahŕňajú riešenie medzier, dátumov a typov dát. Riešenie problémov s formátovaním je zvyčajne na ľuďoch, ktorí dáta používajú. Napríklad štandardy, ako sú prezentované dátumy a čísla, sa môžu líšiť podľa krajiny.
+
+- **Duplikácie**: Dáta, ktoré sa vyskytujú viac ako raz, môžu produkovať nepresné výsledky a zvyčajne by mali byť odstránené. Toto môže byť bežné pri spájaní dvoch alebo viacerých datasetov. Avšak existujú prípady, keď duplikácie v spojených datasetoch obsahujú časti, ktoré môžu poskytnúť dodatočné informácie a môžu byť potrebné zachovať.
+
+- **Chýbajúce dáta**: Chýbajúce dáta môžu spôsobiť nepresnosti, ako aj slabé alebo zaujaté výsledky. Niekedy sa dajú vyriešiť „znovunačítaním“ dát, doplnením chýbajúcich hodnôt výpočtom a kódom, ako je Python, alebo jednoducho odstránením hodnoty a zodpovedajúcich dát. Existuje množstvo dôvodov, prečo môžu dáta chýbať, a kroky, ktoré sa podniknú na vyriešenie týchto chýbajúcich hodnôt, môžu závisieť od toho, ako a prečo zmizli.
+
+## Preskúmanie informácií o DataFrame
+> **Cieľ učenia:** Na konci tejto podsekcie by ste mali byť schopní nájsť všeobecné informácie o dátach uložených v pandas DataFrames.
+
+Keď načítate svoje dáta do pandas, pravdepodobne budú vo forme DataFrame (pozrite si predchádzajúcu [lekciu](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) pre podrobný prehľad). Ak však dataset vo vašom DataFrame obsahuje 60 000 riadkov a 400 stĺpcov, ako vôbec začnete získavať predstavu o tom, s čím pracujete? Našťastie, [pandas](https://pandas.pydata.org/) poskytuje niekoľko praktických nástrojov na rýchle zobrazenie celkových informácií o DataFrame, ako aj prvých a posledných niekoľkých riadkov.
+
+Aby sme preskúmali túto funkcionalitu, importujeme knižnicu Python scikit-learn a použijeme ikonický dataset: **Iris dataset**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |dĺžka sepalu (cm)|šírka sepalu (cm)|dĺžka petalu (cm)|šírka petalu (cm)|
+|----------------------------------------|-----------------|-----------------|-----------------|-----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: Na začiatok sa používa metóda `info()` na vytlačenie súhrnu obsahu prítomného v `DataFrame`. Pozrime sa na tento dataset, aby sme zistili, čo máme:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+Z toho vieme, že dataset *Iris* má 150 záznamov v štyroch stĺpcoch bez nulových záznamov. Všetky dáta sú uložené ako 64-bitové čísla s pohyblivou desatinnou čiarkou.
+
+- **DataFrame.head()**: Ďalej, na kontrolu skutočného obsahu `DataFrame`, používame metódu `head()`. Pozrime sa, ako vyzerá prvých pár riadkov nášho `iris_df`:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Naopak, na kontrolu posledných pár riadkov `DataFrame` používame metódu `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Záver:** Už len pohľad na metadáta o informáciách v DataFrame alebo na prvé a posledné hodnoty v ňom vám môže okamžite poskytnúť predstavu o veľkosti, tvare a obsahu dát, s ktorými pracujete.
+
+## Riešenie chýbajúcich dát
+> **Cieľ učenia:** Na konci tejto podsekcie by ste mali vedieť, ako nahradiť alebo odstrániť nulové hodnoty z DataFrames.
+
+Väčšinou dataset, ktorý chcete použiť (alebo musíte použiť), obsahuje chýbajúce hodnoty. Spôsob, akým sa chýbajúce dáta riešia, nesie jemné kompromisy, ktoré môžu ovplyvniť vašu konečnú analýzu a výsledky v reálnom svete.
+
+Pandas rieši chýbajúce hodnoty dvoma spôsobmi. Prvý ste už videli v predchádzajúcich sekciách: `NaN`, alebo Not a Number. Toto je vlastne špeciálna hodnota, ktorá je súčasťou špecifikácie IEEE pre čísla s pohyblivou desatinnou čiarkou a používa sa iba na označenie chýbajúcich hodnôt s pohyblivou desatinnou čiarkou.
+
+Pre chýbajúce hodnoty okrem čísel s pohyblivou desatinnou čiarkou používa pandas objekt Python `None`. Aj keď sa môže zdať mätúce, že sa stretnete s dvoma rôznymi typmi hodnôt, ktoré v podstate hovoria to isté, existujú rozumné programové dôvody pre tento dizajn a v praxi tento prístup umožňuje pandas poskytnúť dobrý kompromis pre drvivú väčšinu prípadov. Napriek tomu majú `None` a `NaN` obmedzenia, na ktoré si musíte dávať pozor, pokiaľ ide o ich použitie.
+
+Viac o `NaN` a `None` si môžete pozrieť v [notebooku](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Detekcia nulových hodnôt**: V `pandas` sú vaše primárne metódy na detekciu nulových dát `isnull()` a `notnull()`. Obe vracajú Booleovské masky nad vašimi dátami. Budeme používať `numpy` pre hodnoty `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Pozorne si prezrite výstup. Prekvapilo vás niečo? Zatiaľ čo `0` je aritmetická nula, je to stále úplne dobré celé číslo a pandas ho takto aj považuje. `''` je trochu jemnejšie. Aj keď sme ho použili v sekcii 1 na reprezentáciu prázdnej hodnoty reťazca, je to stále objekt reťazca a nie reprezentácia nuly, pokiaľ ide o pandas.
+
+Teraz to otočme a použime tieto metódy spôsobom, akým ich budete používať v praxi. Booleovské masky môžete použiť priamo ako index `Series` alebo `DataFrame`, čo môže byť užitočné pri práci s izolovanými chýbajúcimi (alebo prítomnými) hodnotami.
+
+> **Záver:** Metódy `isnull()` a `notnull()` produkujú podobné výsledky, keď ich použijete v `DataFrame`: zobrazujú výsledky a index týchto výsledkov, čo vám nesmierne pomôže pri práci s vašimi dátami.
+
+- **Odstránenie nulových hodnôt**: Okrem identifikácie chýbajúcich hodnôt poskytuje pandas pohodlný spôsob odstránenia nulových hodnôt zo `Series` a `DataFrame`. (Najmä pri veľkých datasetoch je často rozumnejšie jednoducho odstrániť chýbajúce [NA] hodnoty z vašej analýzy, než sa s nimi zaoberať inými spôsobmi.) Aby sme to videli v praxi, vráťme sa k `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Všimnite si, že toto by malo vyzerať ako váš výstup z `example3[example3.notnull()]`. Rozdiel je v tom, že namiesto indexovania na maskované hodnoty `dropna` odstránil tieto chýbajúce hodnoty zo `Series` `example1`.
+
+Keďže `DataFrame` má dve dimenzie, poskytuje viac možností na odstránenie dát.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Všimli ste si, že pandas pretypoval dva stĺpce na čísla s pohyblivou desatinnou čiarkou, aby vyhovovali `NaN`?)
+
+Nemôžete odstrániť jednu hodnotu z `DataFrame`, takže musíte odstrániť celé riadky alebo stĺpce. V závislosti od toho, čo robíte, môžete chcieť urobiť jedno alebo druhé, a preto pandas poskytuje možnosti pre obe. Keďže v dátovej vede stĺpce zvyčajne reprezentujú premenné a riadky reprezentujú pozorovania, je pravdepodobnejšie, že odstránite riadky dát; predvolené nastavenie pre `dropna()` je odstrániť všetky riadky, ktoré obsahujú akékoľvek nulové hodnoty:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Ak je to potrebné, môžete odstrániť hodnoty NA zo stĺpcov. Použite `axis=1` na to:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Všimnite si, že to môže odstrániť veľa dát, ktoré by ste mohli chcieť zachovať, najmä v menších datasetoch. Čo ak chcete odstrániť iba riadky alebo stĺpce, ktoré obsahujú niekoľko alebo dokonca všetky nulové hodnoty? Tieto nastavenia môžete špecifikovať v `dropna` pomocou parametrov `how` a `thresh`.
+
+Predvolene je `how='any'` (ak by ste si to chceli overiť alebo vidieť, aké ďalšie parametre má metóda, spustite `example4.dropna?` v kódovom bloku). Alternatívne môžete špecifikovať `how='all'`, aby ste odstránili iba riadky alebo stĺpce, ktoré obsahujú všetky nulové hodnoty. Rozšírme náš príklad `DataFrame`, aby sme to videli v praxi.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+Parameter `thresh` vám poskytuje jemnejšiu kontrolu: nastavíte počet *nenulových* hodnôt, ktoré musí riadok alebo stĺpec obsahovať, aby bol zachovaný:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Tu boli prvý a posledný riadok odstránené, pretože obsahovali iba dve nenulové hodnoty.
+
+- **Doplnenie nulových hodnôt**: V závislosti od vášho datasetu môže niekedy dávať väčší zmysel doplniť nulové hodnoty platnými, než ich odstrániť. Mohli by ste použiť `isnull` na to, aby ste to urobili priamo, ale to môže byť pracné, najmä ak máte veľa hodnôt na doplnenie. Keďže ide o takú bežnú úlohu v dátovej vede, pandas poskytuje `fillna`, ktorý vráti kópiu `Series` alebo `DataFrame` s chýbajúcimi hodnotami nahradenými hodnotou podľa vášho výberu. Vytvorme ďalší príklad `Series`, aby sme videli, ako to funguje v praxi.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Môžete doplniť všetky nulové záznamy jednou hodnotou, napríklad `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Môžete **dopĺňať dopredu** nulové hodnoty, čo znamená použiť poslednú platnú hodnotu na doplnenie nuly:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+Môžete tiež **dopĺňať dozadu**, aby ste propagovali ďalšiu platnú hodnotu dozadu na doplnenie nuly:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Ako by ste mohli tušiť, toto funguje rovnako s `DataFrame`, ale môžete tiež špecifikovať `axis`, pozdĺž ktorého chcete doplniť nulové hodnoty. Použijeme opäť predtým použitý `example2`:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Všimnite si, že keď predchádzajúca hodnota nie je dostupná na dopĺňanie dopredu, nulová hodnota zostáva.
+> **Hlavná myšlienka:** Existuje viacero spôsobov, ako sa vysporiadať s chýbajúcimi hodnotami vo vašich datasetoch. Konkrétna stratégia, ktorú použijete (odstránenie, nahradenie alebo spôsob nahradenia), by mala byť určená špecifikami daných dát. Čím viac budete pracovať s datasetmi, tým lepšie pochopíte, ako riešiť chýbajúce hodnoty.
+
+## Odstraňovanie duplicitných dát
+
+> **Cieľ učenia:** Na konci tejto podsekcie by ste mali byť schopní identifikovať a odstrániť duplicitné hodnoty z DataFrames.
+
+Okrem chýbajúcich dát sa často stretnete s duplicitnými dátami v datasetoch z reálneho sveta. Našťastie, `pandas` poskytuje jednoduchý spôsob na detekciu a odstránenie duplicitných záznamov.
+
+- **Identifikácia duplicitných hodnôt: `duplicated`**: Duplicitné hodnoty môžete ľahko identifikovať pomocou metódy `duplicated` v pandas, ktorá vracia Boolean masku indikujúcu, či je záznam v `DataFrame` duplikátom skoršieho záznamu. Vytvorme ďalší príklad `DataFrame`, aby sme si to ukázali v praxi.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Odstraňovanie duplicitných hodnôt: `drop_duplicates`:** jednoducho vráti kópiu dát, kde všetky hodnoty označené ako `duplicated` sú `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Metódy `duplicated` a `drop_duplicates` štandardne zohľadňujú všetky stĺpce, ale môžete špecifikovať, že majú skúmať iba podmnožinu stĺpcov vo vašom `DataFrame`:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Hlavná myšlienka:** Odstraňovanie duplicitných dát je nevyhnutnou súčasťou takmer každého projektu v oblasti dátovej vedy. Duplicitné dáta môžu ovplyvniť výsledky vašich analýz a poskytnúť nepresné výsledky!
+
+
+## 🚀 Výzva
+
+Všetky diskutované materiály sú dostupné ako [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Navyše, po každej sekcii sú k dispozícii cvičenia, vyskúšajte ich!
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Prehľad & Samoštúdium
+
+Existuje mnoho spôsobov, ako objaviť a pristupovať k príprave vašich dát na analýzu a modelovanie, pričom čistenie dát je dôležitým krokom, ktorý si vyžaduje praktickú skúsenosť. Vyskúšajte tieto výzvy na Kaggle, aby ste preskúmali techniky, ktoré táto lekcia nepokrývala.
+
+- [Výzva na čistenie dát: Parsovanie dátumov](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Výzva na čistenie dát: Škálovanie a normalizácia dát](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Zadanie
+
+[Vyhodnotenie dát z formulára](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/08-data-preparation/assignment.md b/translations/sk/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..e15ca331
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:41:48+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Hodnotenie údajov z formulára
+
+Klient testoval [malý formulár](../../../../2-Working-With-Data/08-data-preparation/index.html) na zhromažďovanie základných údajov o svojej klientele. Priniesli vám svoje zistenia, aby ste overili údaje, ktoré zhromaždili. Stránku `index.html` si môžete otvoriť v prehliadači a pozrieť si formulár.
+
+Dostali ste [dataset záznamov vo formáte csv](../../../../data/form.csv), ktorý obsahuje údaje z formulára, ako aj niektoré základné vizualizácie. Klient upozornil, že niektoré vizualizácie vyzerajú nesprávne, ale nie sú si istí, ako ich opraviť. Môžete si ich preskúmať v [notebooku zadania](assignment.ipynb).
+
+## Pokyny
+
+Použite techniky z tejto lekcie na vytvorenie odporúčaní pre formulár, aby zhromažďoval presné a konzistentné informácie.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Vyžaduje zlepšenie
+--- | --- | ---
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/2-Working-With-Data/README.md b/translations/sk/2-Working-With-Data/README.md
new file mode 100644
index 00000000..24a5f983
--- /dev/null
+++ b/translations/sk/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:27:44+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "sk"
+}
+-->
+# Práca s dátami
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sk.jpg)
+> Fotografia od <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexandra Sinna</a> na <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V týchto lekciách sa naučíte niektoré spôsoby, ako je možné dáta spravovať, manipulovať s nimi a používať ich v aplikáciách. Dozviete sa o relačných a nerelačných databázach a o tom, ako v nich môžu byť dáta uložené. Naučíte sa základy práce s Pythonom na správu dát a objavíte niektoré z mnohých spôsobov, ako môžete s Pythonom pracovať na správe a analýze dát.
+
+### Témy
+
+1. [Relačné databázy](05-relational-databases/README.md)
+2. [Nerelačné databázy](06-non-relational/README.md)
+3. [Práca s Pythonom](07-python/README.md)
+4. [Príprava dát](08-data-preparation/README.md)
+
+### Poďakovanie
+
+Tieto lekcie boli napísané s ❤️ [Christopherom Harrisonom](https://twitter.com/geektrainer), [Dmitrym Soshnikovom](https://twitter.com/shwars) a [Jasmine Greenaway](https://twitter.com/paladique).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/09-visualization-quantities/README.md b/translations/sk/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..b6e1adf2
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:24:12+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia množstiev
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizácia množstiev - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V tejto lekcii preskúmate, ako používať jednu z mnohých dostupných knižníc Pythonu na vytváranie zaujímavých vizualizácií založených na koncepte množstva. Pomocou vyčisteného datasetu o vtákoch z Minnesoty sa môžete dozvedieť veľa zaujímavých faktov o miestnej faune.  
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Pozorovanie rozpätia krídel pomocou Matplotlib
+
+Vynikajúcou knižnicou na vytváranie jednoduchých aj sofistikovaných grafov a diagramov rôznych typov je [Matplotlib](https://matplotlib.org/stable/index.html). Vo všeobecnosti proces vykresľovania údajov pomocou týchto knižníc zahŕňa identifikáciu častí vášho dataframe, ktoré chcete zacieliť, vykonanie potrebných transformácií na týchto údajoch, priradenie hodnôt osi x a y, rozhodnutie o type grafu a následné zobrazenie grafu. Matplotlib ponúka širokú škálu vizualizácií, ale v tejto lekcii sa zameriame na tie najvhodnejšie na vizualizáciu množstva: čiarové grafy, bodové grafy a stĺpcové grafy.
+
+> ✅ Použite najlepší typ grafu podľa štruktúry vašich údajov a príbehu, ktorý chcete rozprávať.  
+> - Na analýzu trendov v čase: čiarový graf  
+> - Na porovnanie hodnôt: stĺpcový, koláčový, bodový graf  
+> - Na zobrazenie vzťahu častí k celku: koláčový graf  
+> - Na zobrazenie distribúcie údajov: bodový, stĺpcový graf  
+> - Na zobrazenie trendov: čiarový, stĺpcový graf  
+> - Na zobrazenie vzťahov medzi hodnotami: čiarový, bodový, bublinový graf  
+
+Ak máte dataset a potrebujete zistiť, koľko konkrétnej položky je zahrnuté, jednou z prvých úloh bude preskúmať jeho hodnoty.  
+
+✅ Existujú veľmi dobré 'cheat sheets' pre Matplotlib [tu](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Vytvorenie čiarového grafu o hodnotách rozpätia krídel vtákov
+
+Otvorte súbor `notebook.ipynb` v koreňovom adresári tejto lekcie a pridajte bunku.
+
+> Poznámka: údaje sú uložené v koreňovom adresári tohto repozitára v priečinku `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Tieto údaje sú kombináciou textu a čísel:
+
+|      | Názov                        | Vedecký názov          | Kategória             | Rad          | Rodina   | Rod         | Stav ochrany         | MinDĺžka | MaxDĺžka | MinHmotnosť | MaxHmotnosť | MinRozpätie | MaxRozpätie |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                   |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous whistling-duck       | Dendrocygna bicolor    | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                   |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snow goose                   | Anser caerulescens     | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                   |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross's goose                 | Anser rossii           | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                   |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Greater white-fronted goose  | Anser albifrons        | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                   |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Začnime vykreslením niektorých číselných údajov pomocou základného čiarového grafu. Predpokladajme, že chcete zobraziť maximálne rozpätie krídel týchto zaujímavých vtákov.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Max Rozpätie](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sk.png)
+
+Čo si všimnete okamžite? Zdá sa, že existuje aspoň jeden extrémny údaj - to je dosť veľké rozpätie krídel! Rozpätie krídel 2300 centimetrov sa rovná 23 metrom - potulujú sa v Minnesote pterodaktyly? Poďme to preskúmať.
+
+Aj keď by ste mohli rýchlo zoradiť údaje v Exceli, aby ste našli tieto extrémne údaje, ktoré sú pravdepodobne preklepy, pokračujte vo vizualizačnom procese priamo z grafu.
+
+Pridajte štítky na os x, aby ste ukázali, o aké vtáky ide:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![rozpätie krídel so štítkami](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sk.png)
+
+Aj keď sú štítky otočené o 45 stupňov, je ich príliš veľa na čítanie. Skúsme inú stratégiu: označte iba tie extrémne údaje a nastavte štítky priamo v grafe. Môžete použiť bodový graf, aby ste získali viac miesta na označovanie:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Čo sa tu deje? Použili ste `tick_params` na skrytie spodných štítkov a potom ste vytvorili slučku nad datasetom vtákov. Vykreslením grafu s malými modrými bodkami pomocou `bo` ste skontrolovali, či má nejaký vták maximálne rozpätie krídel nad 500, a ak áno, zobrazili ste jeho štítok vedľa bodky. Štítky ste trochu posunuli na osi y (`y * (1 - 0.05)`) a použili názov vtáka ako štítok.
+
+Čo ste zistili?
+
+![extrémne údaje](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sk.png)  
+## Filtrovanie údajov
+
+Orol skalný a sokol prériový, aj keď sú pravdepodobne veľmi veľké vtáky, sa zdajú byť nesprávne označené, s pridanou `0` v ich maximálnom rozpätí krídel. Je nepravdepodobné, že by ste stretli orla skalného s rozpätím krídel 25 metrov, ale ak áno, dajte nám vedieť! Vytvorme nový dataframe bez týchto dvoch extrémnych údajov:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Odstránením extrémnych údajov sú vaše údaje teraz súdržnejšie a zrozumiteľnejšie.
+
+![bodový graf rozpätí krídel](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sk.png)
+
+Teraz, keď máme čistejší dataset aspoň z hľadiska rozpätia krídel, poďme objaviť viac o týchto vtákoch.
+
+Aj keď čiarové a bodové grafy môžu zobrazovať informácie o hodnotách údajov a ich distribúciách, chceme premýšľať o hodnotách obsiahnutých v tomto datasete. Mohli by ste vytvoriť vizualizácie na zodpovedanie nasledujúcich otázok o množstve:
+
+> Koľko kategórií vtákov existuje a aké sú ich počty?  
+> Koľko vtákov je vyhynutých, ohrozených, vzácnych alebo bežných?  
+> Koľko je rôznych rodov a radov podľa Linnaeusovej terminológie?  
+## Preskúmanie stĺpcových grafov
+
+Stĺpcové grafy sú praktické, keď potrebujete zobraziť skupiny údajov. Preskúmajme kategórie vtákov, ktoré existujú v tomto datasete, aby sme zistili, ktorá je najbežnejšia podľa počtu.
+
+V súbore notebooku vytvorte základný stĺpcový graf.
+
+✅ Poznámka: Môžete buď filtrovať dva extrémne údaje vtákov, ktoré sme identifikovali v predchádzajúcej časti, upraviť preklep v ich rozpätí krídel, alebo ich ponechať pre tieto cvičenia, ktoré nezávisia od hodnôt rozpätia krídel.
+
+Ak chcete vytvoriť stĺpcový graf, môžete vybrať údaje, na ktoré sa chcete zamerať. Stĺpcové grafy môžu byť vytvorené z nespracovaných údajov:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![celé údaje ako stĺpcový graf](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sk.png)
+
+Tento stĺpcový graf je však nečitateľný, pretože je tu príliš veľa nezhromaždených údajov. Musíte vybrať iba údaje, ktoré chcete vykresliť, takže sa pozrime na dĺžku vtákov podľa ich kategórie.
+
+Filtrovanie údajov na zahrnutie iba kategórie vtákov.
+
+✅ Všimnite si, že používate Pandas na správu údajov a potom necháte Matplotlib vykresliť graf.
+
+Keďže existuje veľa kategórií, môžete tento graf zobraziť vertikálne a upraviť jeho výšku, aby ste zohľadnili všetky údaje:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![kategória a dĺžka](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sk.png)
+
+Tento stĺpcový graf poskytuje dobrý prehľad o počte vtákov v každej kategórii. Na prvý pohľad vidíte, že najväčší počet vtákov v tomto regióne patrí do kategórie Ducks/Geese/Waterfowl. Minnesota je 'krajina 10 000 jazier', takže to nie je prekvapujúce!
+
+✅ Skúste niektoré ďalšie počty v tomto datasete. Prekvapilo vás niečo?
+
+## Porovnávanie údajov
+
+Môžete skúsiť rôzne porovnania zoskupených údajov vytvorením nových osí. Skúste porovnanie MaxDĺžky vtákov podľa ich kategórie:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![porovnávanie údajov](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sk.png)
+
+Tu nie je nič prekvapujúce: kolibríky majú najmenšiu MaxDĺžku v porovnaní s pelikánmi alebo husami. Je dobré, keď údaje dávajú logický zmysel!
+
+Môžete vytvoriť zaujímavejšie vizualizácie stĺpcových grafov prekrytím údajov. Prekryme Minimálnu a Maximálnu Dĺžku na danej kategórii vtákov:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+V tomto grafe môžete vidieť rozsah pre kategóriu vtákov Minimálnej Dĺžky a Maximálnej Dĺžky. Môžete bezpečne povedať, že podľa týchto údajov, čím väčší vták, tým väčší rozsah jeho dĺžky. Fascinujúce!
+
+![prekryté hodnoty](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sk.png)
+
+## 🚀 Výzva
+
+Tento dataset vtákov ponúka množstvo informácií o rôznych typoch vtákov v konkrétnom ekosystéme. Vyhľadajte na internete ďalšie datasety zamerané na vtáky. Precvičte si vytváranie grafov a diagramov o týchto vtákoch, aby ste objavili fakty, ktoré ste si neuvedomovali.  
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Prehľad a samostatné štúdium
+
+Táto prvá lekcia vám poskytla niekoľko informácií o tom, ako používať Matplotlib na vizualizáciu množstiev. Urobte si výskum o iných spôsoboch práce s datasetmi na vizualizáciu. [Plotly](https://github.com/plotly/plotly.py) je jedna z možností, ktorú v týchto lekciách nebudeme pokrývať, takže sa pozrite, čo môže ponúknuť.  
+## Zadanie
+
+[Čiary, bodky a stĺpce](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/sk/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..b08c5682
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:27:03+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Čiary, bodové grafy a stĺpcové grafy
+
+## Pokyny
+
+V tejto lekcii ste pracovali s čiarovými grafmi, bodovými grafmi a stĺpcovými grafmi, aby ste ukázali zaujímavé fakty o tejto množine údajov. V tejto úlohe sa ponorte hlbšie do množiny údajov a objavte fakt o danom druhu vtáka. Napríklad vytvorte poznámkový blok, ktorý vizualizuje všetky zaujímavé údaje, ktoré môžete objaviť o snežných husi. Použite tri vyššie uvedené grafy na rozprávanie príbehu vo svojom poznámkovom bloku.
+
+## Kritériá hodnotenia
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Poznámkový blok je prezentovaný s dobrými poznámkami, pevnou štruktúrou príbehu a atraktívnymi grafmi | Poznámkový blok postráda jeden z týchto prvkov | Poznámkový blok postráda dva z týchto prvkov
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/10-visualization-distributions/README.md b/translations/sk/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..821e7141
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:50:43+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia distribúcií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizácia distribúcií - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V predchádzajúcej lekcii ste sa dozvedeli niekoľko zaujímavých faktov o dátovej sade o vtákoch z Minnesoty. Našli ste chybné údaje vizualizáciou odľahlých hodnôt a pozreli ste sa na rozdiely medzi kategóriami vtákov podľa ich maximálnej dĺžky.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Preskúmajte dátovú sadu vtákov
+
+Ďalším spôsobom, ako sa ponoriť do údajov, je pozrieť sa na ich distribúciu, teda ako sú údaje usporiadané pozdĺž osi. Možno by ste napríklad chceli zistiť všeobecnú distribúciu maximálneho rozpätia krídel alebo maximálnej telesnej hmotnosti vtákov z Minnesoty v tejto dátovej sade.
+
+Poďme objaviť niektoré fakty o distribúciách údajov v tejto dátovej sade. V súbore _notebook.ipynb_ v koreňovom adresári tejto lekcie importujte Pandas, Matplotlib a svoje údaje:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Názov                        | Vedecký názov          | Kategória             | Rad          | Čeľaď    | Rod         | Stav ochrany        | MinDĺžka | MaxDĺžka | MinHmotnosť | MaxHmotnosť | MinRozpätie | MaxRozpätie |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Čiernobruchá husica          | Dendrocygna autumnalis | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Hnedá husica                 | Dendrocygna bicolor    | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snežná hus                   | Anser caerulescens     | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova hus                  | Anser rossii           | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Veľká bieločelá hus          | Anser albifrons        | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Vo všeobecnosti môžete rýchlo získať prehľad o tom, ako sú údaje distribuované, pomocou bodového grafu, ako sme to robili v predchádzajúcej lekcii:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![max dĺžka podľa radu](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sk.png)
+
+Tento graf poskytuje prehľad o všeobecnej distribúcii dĺžky tela podľa radu vtákov, ale nie je to optimálny spôsob zobrazenia skutočných distribúcií. Na tento účel sa zvyčajne používa histogram.
+
+## Práca s histogramami
+
+Matplotlib ponúka veľmi dobré spôsoby vizualizácie distribúcie údajov pomocou histogramov. Tento typ grafu je podobný stĺpcovému grafu, kde distribúciu možno vidieť prostredníctvom stúpania a klesania stĺpcov. Na vytvorenie histogramu potrebujete číselné údaje. Na vytvorenie histogramu môžete definovať typ grafu ako 'hist' pre histogram. Tento graf ukazuje distribúciu MaxBodyMass pre celý rozsah číselných údajov v dátovej sade. Rozdelením poľa údajov na menšie časti (bins) dokáže zobraziť distribúciu hodnôt údajov:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![distribúcia pre celú dátovú sadu](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sk.png)
+
+Ako vidíte, väčšina z viac ako 400 vtákov v tejto dátovej sade spadá do rozsahu pod 2000 pre ich maximálnu telesnú hmotnosť. Získajte viac informácií o údajoch zmenou parametra `bins` na vyššie číslo, napríklad 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![distribúcia pre celú dátovú sadu s väčším parametrom bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sk.png)
+
+Tento graf ukazuje distribúciu o niečo podrobnejšie. Menej skreslený graf by sa dal vytvoriť tak, že by ste vybrali iba údaje v určitom rozsahu:
+
+Filtrovať údaje tak, aby ste získali iba tie vtáky, ktorých telesná hmotnosť je pod 60, a zobraziť 40 `bins`:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![filtrovaný histogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sk.png)
+
+✅ Vyskúšajte iné filtre a dátové body. Ak chcete vidieť celú distribúciu údajov, odstráňte filter `['MaxBodyMass']`, aby ste zobrazili označené distribúcie.
+
+Histogram ponúka aj niektoré pekné vylepšenia farieb a označovania, ktoré môžete vyskúšať:
+
+Vytvorte 2D histogram na porovnanie vzťahu medzi dvoma distribúciami. Porovnajme `MaxBodyMass` vs. `MaxLength`. Matplotlib ponúka zabudovaný spôsob zobrazenia konvergencie pomocou jasnejších farieb:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Zdá sa, že medzi týmito dvoma prvkami existuje očakávaná korelácia pozdĺž očakávanej osi, s jedným obzvlášť silným bodom konvergencie:
+
+![2D graf](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sk.png)
+
+Histogramy fungujú dobre predvolene pre číselné údaje. Čo ak potrebujete vidieť distribúcie podľa textových údajov? 
+## Preskúmajte dátovú sadu pre distribúcie pomocou textových údajov 
+
+Táto dátová sada obsahuje aj dobré informácie o kategórii vtákov, ich rode, druhu a čeľadi, ako aj o ich stave ochrany. Poďme sa pozrieť na tieto informácie o stave ochrany. Aká je distribúcia vtákov podľa ich stavu ochrany?
+
+> ✅ V dátovej sade sa používa niekoľko skratiek na opis stavu ochrany. Tieto skratky pochádzajú z [IUCN Red List Categories](https://www.iucnredlist.org/), organizácie, ktorá katalogizuje stav druhov.
+> 
+> - CR: Kriticky ohrozený
+> - EN: Ohrozený
+> - EX: Vyhynutý
+> - LC: Najmenej ohrozený
+> - NT: Takmer ohrozený
+> - VU: Zraniteľný
+
+Tieto hodnoty sú textové, takže budete musieť vykonať transformáciu na vytvorenie histogramu. Pomocou dataframe `filteredBirds` zobrazte jeho stav ochrany spolu s minimálnym rozpätím krídel. Čo vidíte? 
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![rozpätie krídel a stav ochrany](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sk.png)
+
+Zdá sa, že medzi minimálnym rozpätím krídel a stavom ochrany neexistuje dobrá korelácia. Otestujte iné prvky dátovej sady pomocou tejto metódy. Môžete vyskúšať rôzne filtre. Nájdete nejakú koreláciu?
+
+## Hustotné grafy
+
+Možno ste si všimli, že histogramy, ktoré sme doteraz videli, sú „krokové“ a neplynú hladko v oblúku. Ak chcete zobraziť hladší hustotný graf, môžete vyskúšať hustotný graf.
+
+Na prácu s hustotnými grafmi sa oboznámte s novou knižnicou na vykresľovanie, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Po načítaní Seaborn vyskúšajte základný hustotný graf:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Hustotný graf](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sk.png)
+
+Vidíte, ako graf odráža ten predchádzajúci pre údaje o minimálnom rozpätí krídel; je len o niečo hladší. Podľa dokumentácie Seaborn: „V porovnaní s histogramom môže KDE vytvoriť graf, ktorý je menej preplnený a ľahšie interpretovateľný, najmä pri vykresľovaní viacerých distribúcií. Ale má potenciál zaviesť skreslenia, ak je základná distribúcia ohraničená alebo nie je hladká. Podobne ako histogram, kvalita reprezentácie tiež závisí od výberu dobrých parametrov vyhladzovania." [zdroj](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Inými slovami, odľahlé hodnoty, ako vždy, môžu spôsobiť, že vaše grafy budú nesprávne.
+
+Ak by ste chceli znovu navštíviť tú zubatú čiaru MaxBodyMass v druhom grafe, ktorý ste vytvorili, mohli by ste ju veľmi dobre vyhladiť opätovným vytvorením pomocou tejto metódy:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![hladká čiara telesnej hmotnosti](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sk.png)
+
+Ak by ste chceli hladkú, ale nie príliš hladkú čiaru, upravte parameter `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![menej hladká čiara telesnej hmotnosti](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sk.png)
+
+✅ Prečítajte si o parametroch dostupných pre tento typ grafu a experimentujte!
+
+Tento typ grafu ponúka krásne vysvetľujúce vizualizácie. S niekoľkými riadkami kódu môžete napríklad zobraziť hustotu maximálnej telesnej hmotnosti podľa radu vtákov:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![telesná hmotnosť podľa radu](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sk.png)
+
+Môžete tiež mapovať hustotu viacerých premenných v jednom grafe. Porovnajte MaxLength a MinLength vtáka podľa ich stavu ochrany:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![viac hustôt, prekryté](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sk.png)
+
+Možno stojí za to preskúmať, či je zhluk „zraniteľných“ vtákov podľa ich dĺžok významný alebo nie.
+
+## 🚀 Výzva
+
+Histogramy sú sofistikovanejším typom grafu ako základné bodové grafy, stĺpcové grafy alebo čiarové grafy. Vyhľadajte na internete dobré príklady použitia histogramov. Ako sa používajú, čo demonštrujú a v akých oblastiach alebo oblastiach výskumu sa zvyčajne používajú?
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Prehľad a samoštúdium
+
+V tejto lekcii ste použili Matplotlib a začali pracovať so Seaborn na vytváranie sofistikovanejších grafov. Urobte si výskum o `kdeplot` v Seaborn, „kontinuálnej krivke pravdepodobnostnej hustoty v jednej alebo viacerých dimenziách“. Prečítajte si [dokumentáciu](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), aby ste pochopili, ako funguje.
+
+## Zadanie
+
+[Uplatnite svoje zručnosti](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/sk/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..f27fcb43
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:52:56+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Uplatnite svoje zručnosti
+
+## Pokyny
+
+Doteraz ste pracovali s datasetom vtákov z Minnesoty, aby ste objavili informácie o množstve vtákov a hustote populácie. Precvičte si aplikáciu týchto techník na inom datasete, možno získanom z [Kaggle](https://www.kaggle.com/). Vytvorte notebook, ktorý rozpráva príbeh o tomto datasete, a nezabudnite použiť histogramy pri jeho analýze.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Vyžaduje zlepšenie
+--- | --- | --- |
+Notebook obsahuje poznámky o datasete, vrátane jeho zdroja, a používa aspoň 5 histogramov na objavenie faktov o dátach. | Notebook obsahuje neúplné poznámky alebo chyby. | Notebook neobsahuje poznámky a obsahuje chyby.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/11-visualization-proportions/README.md b/translations/sk/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..f2ed6653
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,203 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:29:03+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia proporcií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizácia proporcií - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V tejto lekcii použijete dataset zameraný na prírodu na vizualizáciu proporcií, napríklad koľko rôznych druhov húb sa nachádza v danom datasete o hubách. Poďme preskúmať tieto fascinujúce huby pomocou datasetu od Audubon, ktorý obsahuje podrobnosti o 23 druhoch lupenatých húb z rodov Agaricus a Lepiota. Budete experimentovať s chutnými vizualizáciami, ako sú:
+
+- Koláčové grafy 🥧  
+- Donutové grafy 🍩  
+- Waflové grafy 🧇  
+
+> 💡 Veľmi zaujímavý projekt s názvom [Charticulator](https://charticulator.com) od Microsoft Research ponúka bezplatné rozhranie na vizualizáciu dát pomocou drag and drop. V jednom z ich tutoriálov tiež používajú tento dataset o hubách! Takže môžete preskúmať dáta a zároveň sa naučiť používať túto knižnicu: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Spoznajte svoje huby 🍄
+
+Huby sú veľmi zaujímavé. Naimportujme dataset, aby sme ich mohli študovať:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```  
+Tabuľka obsahuje skvelé dáta na analýzu:
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Poisonous | Convex    | Smooth      | Brown     | Bruises | Pungent | Free            | Close        | Narrow    | Black      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Black      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Grasses |
+| Edible    | Bell      | Smooth      | White     | Bruises | Anise   | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Meadows |
+| Poisonous | Convex    | Scaly       | White     | Bruises | Pungent | Free            | Close        | Narrow    | Brown      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+
+Hneď si všimnete, že všetky dáta sú textové. Budete ich musieť konvertovať, aby ste ich mohli použiť v grafe. Väčšina dát je v skutočnosti reprezentovaná ako objekt:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```  
+
+Výstup je:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```  
+Vezmite tieto dáta a konvertujte stĺpec 'class' na kategóriu:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```  
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```  
+
+Teraz, ak vytlačíte dáta o hubách, uvidíte, že boli rozdelené do kategórií podľa triedy jedovaté/jedlé:
+
+|           | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| class     |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| Edible    | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| Poisonous | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+Ak budete postupovať podľa poradia uvedeného v tejto tabuľke na vytvorenie kategórií tried, môžete vytvoriť koláčový graf:
+
+## Koláč!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```  
+Voila, koláčový graf zobrazujúci proporcie týchto dát podľa dvoch tried húb. Je veľmi dôležité správne zoradiť poradie štítkov, najmä tu, preto si overte poradie, v akom je pole štítkov vytvorené!
+
+![koláčový graf](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sk.png)
+
+## Donuty!
+
+O niečo vizuálne zaujímavejší koláčový graf je donutový graf, čo je koláčový graf s dierou v strede. Pozrime sa na naše dáta touto metódou.
+
+Pozrite sa na rôzne biotopy, kde huby rastú:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```  
+Tu zoskupujete svoje dáta podľa biotopu. Je ich uvedených 7, takže ich použite ako štítky pre váš donutový graf:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```  
+
+![donutový graf](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sk.png)
+
+Tento kód nakreslí graf a stredový kruh, potom pridá tento kruh do grafu. Upraviť šírku stredového kruhu môžete zmenou hodnoty `0.40` na inú hodnotu.
+
+Donutové grafy je možné upraviť rôznymi spôsobmi, aby sa zmenili štítky. Štítky môžu byť zvýraznené pre lepšiu čitateľnosť. Viac sa dozviete v [dokumentácii](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Teraz, keď viete, ako zoskupiť svoje dáta a zobraziť ich ako koláč alebo donut, môžete preskúmať iné typy grafov. Skúste waflový graf, ktorý je len iným spôsobom skúmania množstva.
+
+## Wafle!
+
+Waflový graf je iný spôsob vizualizácie množstiev ako 2D pole štvorcov. Skúste vizualizovať rôzne množstvá farieb klobúkov húb v tomto datasete. Na to potrebujete nainštalovať pomocnú knižnicu [PyWaffle](https://pypi.org/project/pywaffle/) a použiť Matplotlib:
+
+```python
+pip install pywaffle
+```  
+
+Vyberte segment svojich dát na zoskupenie:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```  
+
+Vytvorte waflový graf vytvorením štítkov a následným zoskupením svojich dát:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```  
+
+Pomocou waflového grafu môžete jasne vidieť proporcie farieb klobúkov v tomto datasete húb. Zaujímavé je, že existuje veľa húb so zelenými klobúkmi!
+
+![waflový graf](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sk.png)
+
+✅ PyWaffle podporuje ikony v grafoch, ktoré používajú akúkoľvek ikonu dostupnú vo [Font Awesome](https://fontawesome.com/). Urobte experimenty a vytvorte ešte zaujímavejší waflový graf pomocou ikon namiesto štvorcov.
+
+V tejto lekcii ste sa naučili tri spôsoby vizualizácie proporcií. Najprv musíte zoskupiť svoje dáta do kategórií a potom sa rozhodnúť, ktorý spôsob zobrazenia dát je najlepší - koláč, donut alebo wafle. Všetky sú chutné a poskytujú používateľovi okamžitý prehľad o datasete.
+
+## 🚀 Výzva
+
+Skúste znovu vytvoriť tieto chutné grafy v [Charticulator](https://charticulator.com).  
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Prehľad a samoštúdium
+
+Niekedy nie je zrejmé, kedy použiť koláčový, donutový alebo waflový graf. Tu je niekoľko článkov na túto tému:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+Urobte si výskum a nájdite viac informácií o tomto zložitom rozhodovaní.  
+## Zadanie
+
+[Skúste to v Exceli](assignment.md)  
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/sk/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..4d83ae64
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:30:58+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Vyskúšajte to v Exceli
+
+## Pokyny
+
+Vedeli ste, že v Exceli môžete vytvoriť prstencové, koláčové a vaflové grafy? Pomocou vami zvolenej dátovej sady vytvorte tieto tri grafy priamo v Excel tabuľke.
+
+## Hodnotiace kritériá
+
+| Vynikajúce                                             | Dostatočné                                       | Potrebuje zlepšenie                                  |
+| ------------------------------------------------------ | ------------------------------------------------ | ---------------------------------------------------- |
+| Excel tabuľka obsahuje všetky tri grafy               | Excel tabuľka obsahuje dva grafy                | Excel tabuľka obsahuje iba jeden graf               |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/12-visualization-relationships/README.md b/translations/sk/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..6b118142
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:55:10+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia vzťahov: Všetko o mede 🍯
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizácia vzťahov - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Pokračujúc v prírodnom zameraní nášho výskumu, objavme zaujímavé vizualizácie na zobrazenie vzťahov medzi rôznymi druhmi medu podľa datasetu odvodeného z [Ministerstva poľnohospodárstva Spojených štátov](https://www.nass.usda.gov/About_NASS/index.php).
+
+Tento dataset obsahuje približne 600 položiek a zobrazuje produkciu medu v mnohých štátoch USA. Napríklad môžete preskúmať počet kolónií, výnos na kolóniu, celkovú produkciu, zásoby, cenu za libru a hodnotu vyprodukovaného medu v danom štáte od roku 1998 do 2012, pričom každý riadok predstavuje jeden rok pre každý štát.
+
+Bude zaujímavé vizualizovať vzťah medzi produkciou v danom štáte za rok a napríklad cenou medu v tom istom štáte. Alternatívne by ste mohli vizualizovať vzťah medzi výnosom medu na kolóniu v jednotlivých štátoch. Toto obdobie zahŕňa aj ničivý fenomén 'CCD' alebo 'Colony Collapse Disorder', ktorý bol prvýkrát zaznamenaný v roku 2006 (http://npic.orst.edu/envir/ccd.html), takže ide o dojímavý dataset na štúdium. 🐝
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+V tejto lekcii môžete použiť knižnicu Seaborn, ktorú ste už používali, ako skvelý nástroj na vizualizáciu vzťahov medzi premennými. Obzvlášť zaujímavá je funkcia `relplot` v Seaborne, ktorá umožňuje rýchlo vytvárať bodové a čiarové grafy na vizualizáciu '[štatistických vzťahov](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', čo umožňuje dátovému analytikovi lepšie pochopiť, ako sa premenné navzájom ovplyvňujú.
+
+## Bodové grafy
+
+Použite bodový graf na zobrazenie, ako sa cena medu vyvíjala rok čo rok v jednotlivých štátoch. Seaborn, pomocou `relplot`, pohodlne zoskupuje údaje podľa štátov a zobrazuje dátové body pre kategorizované aj číselné údaje.
+
+Začnime importovaním údajov a knižnice Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Všimnete si, že údaje o mede obsahujú niekoľko zaujímavých stĺpcov, vrátane roku a ceny za libru. Preskúmajme tieto údaje, zoskupené podľa štátov USA:
+
+| štát | počet kolónií | výnos na kolóniu | celková produkcia | zásoby   | cena za libru | hodnota produkcie | rok |
+| ----- | ------------- | ---------------- | ----------------- | -------- | ------------- | ----------------- | --- |
+| AL    | 16000         | 71              | 1136000           | 159000   | 0.72          | 818000            | 1998 |
+| AZ    | 55000         | 60              | 3300000           | 1485000  | 0.64          | 2112000           | 1998 |
+| AR    | 53000         | 65              | 3445000           | 1688000  | 0.59          | 2033000           | 1998 |
+| CA    | 450000        | 83              | 37350000          | 12326000 | 0.62          | 23157000          | 1998 |
+| CO    | 27000         | 72              | 1944000           | 1594000  | 0.7           | 1361000           | 1998 |
+
+Vytvorte základný bodový graf na zobrazenie vzťahu medzi cenou za libru medu a jeho pôvodným štátom v USA. Nastavte os `y` dostatočne vysokú, aby zobrazila všetky štáty:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sk.png)
+
+Teraz zobrazte tie isté údaje s farebnou schémou pripomínajúcou med, aby ste ukázali, ako sa cena vyvíja v priebehu rokov. Môžete to dosiahnuť pridaním parametra 'hue', ktorý ukáže zmenu rok čo rok:
+
+> ✅ Viac o [farebných paletách, ktoré môžete použiť v Seaborne](https://seaborn.pydata.org/tutorial/color_palettes.html) - vyskúšajte krásnu dúhovú farebnú schému!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sk.png)
+
+S touto zmenou farebnej schémy môžete vidieť, že cena za libru medu má zjavne silný progres v priebehu rokov. Ak sa pozriete na vzorku údajov (napríklad štát Arizona), môžete vidieť vzor zvyšovania cien rok čo rok, s niekoľkými výnimkami:
+
+| štát | počet kolónií | výnos na kolóniu | celková produkcia | zásoby  | cena za libru | hodnota produkcie | rok |
+| ----- | ------------- | ---------------- | ----------------- | ------- | ------------- | ----------------- | --- |
+| AZ    | 55000         | 60              | 3300000           | 1485000 | 0.64          | 2112000           | 1998 |
+| AZ    | 52000         | 62              | 3224000           | 1548000 | 0.62          | 1999000           | 1999 |
+| AZ    | 40000         | 59              | 2360000           | 1322000 | 0.73          | 1723000           | 2000 |
+| AZ    | 43000         | 59              | 2537000           | 1142000 | 0.72          | 1827000           | 2001 |
+| AZ    | 38000         | 63              | 2394000           | 1197000 | 1.08          | 2586000           | 2002 |
+| AZ    | 35000         | 72              | 2520000           | 983000  | 1.34          | 3377000           | 2003 |
+| AZ    | 32000         | 55              | 1760000           | 774000  | 1.11          | 1954000           | 2004 |
+| AZ    | 36000         | 50              | 1800000           | 720000  | 1.04          | 1872000           | 2005 |
+| AZ    | 30000         | 65              | 1950000           | 839000  | 0.91          | 1775000           | 2006 |
+| AZ    | 30000         | 64              | 1920000           | 902000  | 1.26          | 2419000           | 2007 |
+| AZ    | 25000         | 64              | 1600000           | 336000  | 1.26          | 2016000           | 2008 |
+| AZ    | 20000         | 52              | 1040000           | 562000  | 1.45          | 1508000           | 2009 |
+| AZ    | 24000         | 77              | 1848000           | 665000  | 1.52          | 2809000           | 2010 |
+| AZ    | 23000         | 53              | 1219000           | 427000  | 1.55          | 1889000           | 2011 |
+| AZ    | 22000         | 46              | 1012000           | 253000  | 1.79          | 1811000           | 2012 |
+
+Ďalším spôsobom, ako vizualizovať tento progres, je použiť veľkosť namiesto farby. Pre používateľov s poruchami farebného videnia by to mohla byť lepšia možnosť. Upravte svoju vizualizáciu tak, aby zvýšenie ceny bolo znázornené zväčšením obvodu bodov:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Vidíte, že veľkosť bodov sa postupne zväčšuje.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sk.png)
+
+Je to jednoduchý prípad ponuky a dopytu? Kvôli faktorom, ako je zmena klímy a kolaps kolónií, je k dispozícii menej medu na predaj rok čo rok, a preto cena rastie?
+
+Aby sme objavili koreláciu medzi niektorými premennými v tomto datasete, preskúmajme niekoľko čiarových grafov.
+
+## Čiarové grafy
+
+Otázka: Je zrejmý nárast ceny medu za libru rok čo rok? Najjednoduchšie to zistíte vytvorením jedného čiarového grafu:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Odpoveď: Áno, s niekoľkými výnimkami okolo roku 2003:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sk.png)
+
+✅ Keďže Seaborn agreguje údaje do jednej čiary, zobrazuje "viacero meraní pre každú hodnotu x tým, že vykresľuje priemer a 95% interval spoľahlivosti okolo priemeru". [Zdroj](https://seaborn.pydata.org/tutorial/relational.html). Toto časovo náročné správanie môžete vypnúť pridaním `ci=None`.
+
+Otázka: No, v roku 2003 môžeme tiež vidieť nárast v zásobách medu? Čo ak sa pozriete na celkovú produkciu rok čo rok?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sk.png)
+
+Odpoveď: Nie celkom. Ak sa pozriete na celkovú produkciu, zdá sa, že v tomto konkrétnom roku skutočne vzrástla, aj keď všeobecne množstvo vyprodukovaného medu v týchto rokoch klesá.
+
+Otázka: V tom prípade, čo mohlo spôsobiť ten nárast ceny medu okolo roku 2003?
+
+Aby sme to zistili, môžeme preskúmať mriežku aspektov.
+
+## Mriežky aspektov
+
+Mriežky aspektov berú jeden aspekt vášho datasetu (v našom prípade môžete zvoliť 'rok', aby sa nevytvorilo príliš veľa aspektov). Seaborn potom môže vytvoriť graf pre každý z týchto aspektov vašich zvolených súradníc x a y pre jednoduchšie vizuálne porovnanie. Vyniká rok 2003 v tomto type porovnania?
+
+Vytvorte mriežku aspektov pokračovaním v používaní `relplot`, ako odporúča [dokumentácia Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid).
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+V tejto vizualizácii môžete porovnať výnos na kolóniu a počet kolónií rok čo rok, vedľa seba, s nastavením wrap na 3 pre stĺpce:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sk.png)
+
+Pre tento dataset nič zvlášť nevyniká, pokiaľ ide o počet kolónií a ich výnos, rok čo rok a štát po štáte. Existuje iný spôsob, ako nájsť koreláciu medzi týmito dvoma premennými?
+
+## Dvojité čiarové grafy
+
+Vyskúšajte viacnásobný čiarový graf prekrytím dvoch čiarových grafov na seba, pomocou funkcie Seaborn 'despine' na odstránenie horných a pravých osí a použitia `ax.twinx` [odvodeného z Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx umožňuje grafu zdieľať os x a zobraziť dve osi y. Zobrazte výnos na kolóniu a počet kolónií, prekryté:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sk.png)
+
+Aj keď nič výrazne nevyniká okolo roku 2003, umožňuje nám to ukončiť túto lekciu na trochu pozitívnejšiu nôtu: aj keď počet kolónií celkovo klesá, ich počet sa stabilizuje, aj keď ich výnos na kolóniu klesá.
+
+Do toho, včely, do toho!
+
+🐝❤️
+## 🚀 Výzva
+
+V tejto lekcii ste sa dozvedeli viac o iných využitiach bodových grafov a mriežok aspektov, vrátane mriežok aspektov. Vyzvite sa na vytvorenie mriežky aspektov pomocou iného datasetu, možno takého, ktorý ste použili pred týmito lekciami. Všimnite si, ako dlho trvá ich vytvorenie a ako musíte byť opatrní pri počte mriežok, ktoré potrebujete vykresliť pomocou týchto techník.
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Prehľad a samoštúdium
+
+Čiarové grafy môžu byť jednoduché alebo pomerne zložité. Prečítajte si trochu viac v [dokumentácii Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) o rôznych spôsoboch, ako ich môžete vytvoriť. Skúste vylepšiť čiarové grafy, ktoré ste vytvorili v tejto lekcii, pomocou iných metód uvedených v dokumentácii.
+## Zadanie
+
+[Ponorte sa do úľa](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/sk/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..3e437d92
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:44+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Ponorte sa do úľa
+
+## Pokyny
+
+V tejto lekcii ste začali skúmať dataset o včelách a ich produkcii medu počas obdobia, ktoré zaznamenalo celkový pokles populácie včelích kolónií. Preskúmajte tento dataset hlbšie a vytvorte notebook, ktorý dokáže vyrozprávať príbeh o zdraví včelej populácie, štát po štáte a rok po roku. Objavíte niečo zaujímavé v tomto datasete?
+
+## Kritériá hodnotenia
+
+| Vynikajúce                                                                                                                                              | Dostatočné                              | Potrebuje zlepšenie                      |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | ---------------------------------------- |
+| Notebook obsahuje príbeh s poznámkami a aspoň tromi rôznymi grafmi, ktoré zobrazujú aspekty datasetu, štát po štáte a rok po roku                        | Notebook postráda jeden z týchto prvkov | Notebook postráda dva z týchto prvkov    |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..29a6d20d
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:44:36+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "sk"
+}
+-->
+# Tvorba zmysluplných vizualizácií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Zmysluplné vizualizácie - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+> "Ak budete dáta mučiť dostatočne dlho, priznajú sa k čomukoľvek" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Jednou zo základných zručností dátového vedca je schopnosť vytvoriť zmysluplnú vizualizáciu dát, ktorá pomáha odpovedať na otázky, ktoré máte. Predtým, než začnete vizualizovať svoje dáta, je potrebné zabezpečiť, aby boli vyčistené a pripravené, ako ste to robili v predchádzajúcich lekciách. Potom môžete začať rozhodovať, ako najlepšie prezentovať dáta.
+
+V tejto lekcii si prejdete:
+
+1. Ako vybrať správny typ grafu
+2. Ako sa vyhnúť zavádzajúcim grafom
+3. Ako pracovať s farbami
+4. Ako upraviť grafy pre lepšiu čitateľnosť
+5. Ako vytvoriť animované alebo 3D grafy
+6. Ako vytvoriť kreatívnu vizualizáciu
+
+## [Kvíz pred lekciou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Vyberte správny typ grafu
+
+V predchádzajúcich lekciách ste experimentovali s vytváraním rôznych zaujímavých vizualizácií dát pomocou knižníc Matplotlib a Seaborn. Vo všeobecnosti môžete vybrať [správny typ grafu](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pre otázku, ktorú si kladiete, pomocou tejto tabuľky:
+
+| Potrebujete:               | Mali by ste použiť:            |
+| -------------------------- | ------------------------------- |
+| Ukázať trendy dát v čase   | Čiarový graf                    |
+| Porovnať kategórie         | Stĺpcový, Koláčový graf         |
+| Porovnať celkové hodnoty   | Koláčový, Stohovaný stĺpcový    |
+| Ukázať vzťahy              | Bodový, Čiarový, Facet, Dual Line |
+| Ukázať distribúcie         | Bodový, Histogram, Boxplot      |
+| Ukázať proporcie           | Koláčový, Donut, Waffle         |
+
+> ✅ V závislosti od zloženia vašich dát môže byť potrebné previesť ich z textového formátu na číselný, aby ste mohli použiť konkrétny typ grafu.
+
+## Vyhnite sa zavádzaniu
+
+Aj keď dátový vedec starostlivo vyberie správny graf pre správne dáta, existuje mnoho spôsobov, ako môžu byť dáta prezentované tak, aby podporili určitý názor, často na úkor samotných dát. Existuje veľa príkladov zavádzajúcich grafov a infografík!
+
+[![Ako klamú grafy od Alberta Caira](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sk.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Ako klamú grafy")
+
+> 🎥 Kliknite na obrázok vyššie pre konferenčný prejav o zavádzajúcich grafoch
+
+Tento graf otočil os X, aby ukázal opak pravdy na základe dátumu:
+
+![zlý graf 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sk.png)
+
+[Tento graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je ešte zavádzajúcejší, pretože oko je priťahované doprava, aby dospelo k záveru, že počet prípadov COVID v rôznych okresoch časom klesal. Ak sa však pozriete bližšie na dátumy, zistíte, že boli preusporiadané, aby vytvorili tento zavádzajúci klesajúci trend.
+
+![zlý graf 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sk.jpg)
+
+Tento notoricky známy príklad používa farbu A otočenú os Y na klamanie: namiesto záveru, že počet úmrtí na strelné zbrane vzrástol po prijatí legislatívy podporujúcej zbrane, oko je oklamané, aby si myslelo, že opak je pravdou:
+
+![zlý graf 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sk.jpg)
+
+Tento zvláštny graf ukazuje, ako môže byť proporcia manipulovaná, a to až do komického efektu:
+
+![zlý graf 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sk.jpg)
+
+Porovnávanie neporovnateľného je ďalší pochybný trik. Existuje [úžasná webová stránka](https://tylervigen.com/spurious-correlations) venovaná 'falošným koreláciám', ktorá zobrazuje 'fakty' korelujúce veci ako rozvodovosť v Maine a spotrebu margarínu. Skupina na Reddit tiež zbiera [škaredé použitia](https://www.reddit.com/r/dataisugly/top/?t=all) dát.
+
+Je dôležité pochopiť, ako ľahko môže byť oko oklamané zavádzajúcimi grafmi. Aj keď je zámer dátového vedca dobrý, výber zlého typu grafu, ako je koláčový graf zobrazujúci príliš veľa kategórií, môže byť zavádzajúci.
+
+## Farba
+
+Videli ste v grafe 'Florida gun violence', ako farba môže poskytnúť ďalšiu vrstvu významu grafom, najmä tým, ktoré nie sú navrhnuté pomocou knižníc ako Matplotlib a Seaborn, ktoré obsahujú rôzne overené farebné knižnice a palety. Ak vytvárate graf ručne, urobte si malú štúdiu o [teórii farieb](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Pri navrhovaní grafov si uvedomte, že prístupnosť je dôležitým aspektom vizualizácie. Niektorí vaši používatelia môžu byť farboslepí - zobrazuje sa váš graf dobre pre používateľov so zrakovým postihnutím?
+
+Buďte opatrní pri výbere farieb pre váš graf, pretože farba môže prenášať význam, ktorý ste možno nezamýšľali. 'Ružové dámy' v grafe 'výška' vyššie prenášajú výrazne 'ženský' pridelený význam, ktorý pridáva k bizarnosti samotného grafu.
+
+Zatiaľ čo [význam farieb](https://colormatters.com/color-symbolism/the-meanings-of-colors) môže byť odlišný v rôznych častiach sveta a má tendenciu meniť sa podľa odtieňa, vo všeobecnosti zahŕňa:
+
+| Farba  | Význam              |
+| ------ | ------------------- |
+| červená| sila                |
+| modrá  | dôvera, lojalita    |
+| žltá  | šťastie, opatrnosť   |
+| zelená | ekológia, šťastie, závisť |
+| fialová| šťastie             |
+| oranžová| živelnosť          |
+
+Ak máte za úlohu vytvoriť graf s vlastnými farbami, zabezpečte, aby vaše grafy boli prístupné a farba, ktorú vyberiete, zodpovedala významu, ktorý sa snažíte preniesť.
+
+## Úprava grafov pre čitateľnosť
+
+Grafy nie sú zmysluplné, ak nie sú čitateľné! Venujte chvíľu úprave šírky a výšky grafu tak, aby dobre zodpovedali vašim dátam. Ak je potrebné zobraziť jednu premennú (napríklad všetkých 50 štátov), zobrazte ich vertikálne na osi Y, ak je to možné, aby ste sa vyhli horizontálne posúvanému grafu.
+
+Označte svoje osi, poskytnite legendu, ak je to potrebné, a ponúknite tooltipy pre lepšie pochopenie dát.
+
+Ak sú vaše dáta textové a rozsiahle na osi X, môžete text nakloniť pre lepšiu čitateľnosť. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) ponúka 3D grafy, ak vaše dáta podporujú tento formát. Sofistikované vizualizácie dát je možné vytvoriť pomocou `mpl_toolkits.mplot3d`.
+
+![3D grafy](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sk.png)
+
+## Animácia a 3D zobrazenie grafov
+
+Niektoré z najlepších vizualizácií dát dnes sú animované. Shirley Wu má úžasné vizualizácie vytvorené pomocou D3, ako napríklad '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kde každá kvetina je vizualizáciou filmu. Ďalší príklad pre Guardian je 'bussed out', interaktívna skúsenosť kombinujúca vizualizácie s Greensock a D3 plus článok vo formáte scrollytelling, ktorý ukazuje, ako NYC rieši problém bezdomovcov tým, že ich posiela autobusmi mimo mesta.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sk.png)
+
+> "Bussed Out: Ako Amerika presúva svojich bezdomovcov" od [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizácie od Nadieh Bremer & Shirley Wu
+
+Aj keď táto lekcia nie je dostatočne podrobná na to, aby vás naučila používať tieto výkonné knižnice na vizualizáciu, vyskúšajte si D3 v aplikácii Vue.js pomocou knižnice na zobrazenie vizualizácie knihy "Nebezpečné známosti" ako animovanej sociálnej siete.
+
+> "Les Liaisons Dangereuses" je epistolárny román, alebo román prezentovaný ako séria listov. Napísaný v roku 1782 Choderlosom de Laclosom, rozpráva príbeh zákerných, morálne zbankrotovaných spoločenských manévrov dvoch súperiacich protagonistov francúzskej aristokracie koncom 18. storočia, vikomta de Valmonta a markízy de Merteuil. Obaja nakoniec zahynú, ale nie bez toho, aby spôsobili veľké spoločenské škody. Román sa rozvíja ako séria listov napísaných rôznym ľuďom v ich kruhoch, plánujúcich pomstu alebo jednoducho spôsobujúcich problémy. Vytvorte vizualizáciu týchto listov, aby ste objavili hlavné postavy príbehu vizuálne.
+
+Dokončíte webovú aplikáciu, ktorá zobrazí animovaný pohľad na túto sociálnu sieť. Používa knižnicu, ktorá bola vytvorená na [vizualizáciu siete](https://github.com/emiliorizzo/vue-d3-network) pomocou Vue.js a D3. Keď aplikácia beží, môžete ťahať uzly po obrazovke a presúvať dáta.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sk.png)
+
+## Projekt: Vytvorte graf na zobrazenie siete pomocou D3.js
+
+> Táto zložka lekcie obsahuje priečinok `solution`, kde nájdete dokončený projekt pre vašu referenciu.
+
+1. Postupujte podľa pokynov v súbore README.md v koreňovom priečinku štartovacieho projektu. Uistite sa, že máte na svojom počítači nainštalované NPM a Node.js pred inštaláciou závislostí projektu.
+
+2. Otvorte priečinok `starter/src`. Nájdete priečinok `assets`, kde je .json súbor so všetkými listami z románu, očíslovaný, s anotáciou 'to' a 'from'.
+
+3. Dokončite kód v `components/Nodes.vue`, aby ste umožnili vizualizáciu. Nájdite metódu nazvanú `createLinks()` a pridajte nasledujúcu vnorenú slučku.
+
+Prejdite cez objekt .json, aby ste zachytili údaje 'to' a 'from' pre listy a vytvorili objekt `links`, ktorý môže knižnica vizualizácie spotrebovať:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Spustite svoju aplikáciu z terminálu (npm run serve) a užite si vizualizáciu!
+
+## 🚀 Výzva
+
+Prejdite si internet a objavte zavádzajúce vizualizácie. Ako autor klame používateľa a je to úmyselné? Skúste opraviť vizualizácie, aby ste ukázali, ako by mali vyzerať.
+
+## [Kvíz po lekcii](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Prehľad a samostatné štúdium
+
+Tu sú niektoré články na čítanie o zavádzajúcich vizualizáciách dát:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Pozrite si tieto zaujímavé vizualizácie historických aktív a artefaktov:
+
+https://handbook.pubpub.org/
+
+Pozrite si tento článok o tom, ako animácia môže zlepšiť vaše vizualizácie:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Zadanie
+
+[Vytvorte vlastnú vizualizáciu](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..a5415bcc
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:47:18+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Vytvorte si vlastnú vlastnú vizualizáciu
+
+## Pokyny
+
+Pomocou ukážkového kódu v tomto projekte vytvorte sociálnu sieť a vytvorte si vlastné údaje o svojich sociálnych interakciách. Môžete zmapovať svoje používanie sociálnych médií alebo vytvoriť diagram svojich rodinných príslušníkov. Vytvorte zaujímavú webovú aplikáciu, ktorá zobrazuje jedinečnú vizualizáciu sociálnej siete.
+
+## Kritériá hodnotenia
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | --- |
+GitHub repozitár obsahuje kód, ktorý funguje správne (vyskúšajte ho nasadiť ako statickú webovú aplikáciu) a má anotovaný README súbor, ktorý vysvetľuje projekt | Repozitár nefunguje správne alebo nie je dobre zdokumentovaný | Repozitár nefunguje správne a nie je dobre zdokumentovaný
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..cf4aa5db
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:39+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "sk"
+}
+-->
+# Projekt vizualizácie dát Dangerous Liaisons
+
+Aby ste mohli začať, musíte mať na svojom počítači nainštalované NPM a Node. Nainštalujte závislosti (npm install) a potom spustite projekt lokálne (npm run serve):
+
+## Nastavenie projektu
+```
+npm install
+```
+
+### Kompilácia a automatické obnovenie pre vývoj
+```
+npm run serve
+```
+
+### Kompilácia a minimalizácia pre produkciu
+```
+npm run build
+```
+
+### Kontrola a oprava súborov
+```
+npm run lint
+```
+
+### Prispôsobenie konfigurácie
+Pozrite si [Referenciu konfigurácie](https://cli.vuejs.org/config/).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..b7a003f1
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:00+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "sk"
+}
+-->
+# Projekt vizualizácie dát Dangerous Liaisons
+
+Aby ste mohli začať, musíte sa uistiť, že máte na svojom počítači nainštalované NPM a Node. Nainštalujte závislosti (npm install) a potom spustite projekt lokálne (npm run serve):
+
+## Nastavenie projektu
+```
+npm install
+```
+
+### Kompilácia a automatické načítanie pre vývoj
+```
+npm run serve
+```
+
+### Kompilácia a minimalizácia pre produkciu
+```
+npm run build
+```
+
+### Kontrola a oprava súborov
+```
+npm run lint
+```
+
+### Prispôsobenie konfigurácie
+Pozrite si [Referenciu konfigurácie](https://cli.vuejs.org/config/).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/sk/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..aa4f1265
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,233 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:09:49+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia množstiev
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Vizualizácia množstiev - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V tejto lekcii preskúmate, ako používať niektoré z mnohých dostupných knižníc balíkov R na vytváranie zaujímavých vizualizácií založených na koncepte množstva. Pomocou vyčisteného datasetu o vtákoch z Minnesoty sa môžete dozvedieť veľa zaujímavých faktov o miestnej faune.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Pozorovanie rozpätia krídel s ggplot2
+Vynikajúcou knižnicou na vytváranie jednoduchých aj sofistikovaných grafov a diagramov rôznych typov je [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Vo všeobecnosti proces vytvárania grafov pomocou týchto knižníc zahŕňa identifikáciu častí vášho dataframe, ktoré chcete zacieliť, vykonanie potrebných transformácií na tieto údaje, priradenie hodnôt osi x a y, rozhodnutie o type grafu a následné zobrazenie grafu.
+
+`ggplot2` je systém na deklaratívne vytváranie grafiky, založený na Gramatike grafov. [Gramatika grafov](https://en.wikipedia.org/wiki/Ggplot2) je všeobecná schéma pre vizualizáciu údajov, ktorá rozdeľuje grafy na semantické komponenty, ako sú škály a vrstvy. Inými slovami, jednoduchosť vytvárania grafov pre jednorozmerné alebo viacrozmerné údaje s minimálnym kódom robí z `ggplot2` najpopulárnejší balík používaný na vizualizácie v R. Používateľ určuje, ako mapovať premenné na estetiku, grafické prvky, a `ggplot2` sa postará o zvyšok.
+
+> ✅ Graf = Údaje + Estetika + Geometria
+> - Údaje sa týkajú datasetu
+> - Estetika označuje premenné, ktoré sa majú skúmať (premenné x a y)
+> - Geometria označuje typ grafu (čiarový graf, stĺpcový graf, atď.)
+
+Vyberte najlepšiu geometriu (typ grafu) podľa vašich údajov a príbehu, ktorý chcete grafom vyrozprávať.
+
+> - Na analýzu trendov: čiarový, stĺpcový
+> - Na porovnanie hodnôt: stĺpcový, koláčový, bodový graf
+> - Na zobrazenie vzťahu častí k celku: koláčový
+> - Na zobrazenie distribúcie údajov: bodový graf, stĺpcový
+> - Na zobrazenie vzťahov medzi hodnotami: čiarový, bodový graf, bublinový
+
+✅ Môžete si tiež pozrieť tento popisný [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) pre ggplot2.
+
+## Vytvorenie čiarového grafu o hodnotách rozpätia krídel vtákov
+
+Otvorte konzolu R a importujte dataset.  
+> Poznámka: Dataset je uložený v koreňovom adresári tohto repozitára v priečinku `/data`.
+
+Importujme dataset a pozrime sa na jeho hlavičku (prvých 5 riadkov).
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```
+Hlavička datasetu obsahuje mix textu a čísel:
+
+|      | Názov                        | Vedecký názov          | Kategória             | Rád          | Čeľaď    | Rod         | Stav ochrany         | MinDĺžka | MaxDĺžka | MinHmotnosť | MaxHmotnosť | MinRozpätie | MaxRozpätie |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Čiernobruchá pískajúca kačica | Dendrocygna autumnalis | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                   |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Hnedá pískajúca kačica        | Dendrocygna bicolor    | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                   |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snežná hus                   | Anser caerulescens     | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova hus                  | Anser rossii           | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Veľká bieločelá hus          | Anser albifrons        | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Začnime vykresľovaním niektorých číselných údajov pomocou základného čiarového grafu. Predpokladajme, že chcete zobraziť maximálne rozpätie krídel týchto zaujímavých vtákov.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```
+Tu nainštalujete balík `ggplot2` a potom ho importujete do pracovného priestoru pomocou príkazu `library("ggplot2")`. Na vykreslenie akéhokoľvek grafu v ggplot sa používa funkcia `ggplot()` a špecifikujete dataset, premenné x a y ako atribúty. V tomto prípade používame funkciu `geom_line()`, pretože chceme vykresliť čiarový graf.
+
+![MaxRozpätie-čiarový graf](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sk.png)
+
+Čo si všimnete okamžite? Zdá sa, že existuje aspoň jeden extrémny údaj - to je poriadne rozpätie krídel! Rozpätie krídel viac ako 2000 centimetrov znamená viac ako 20 metrov - potulujú sa v Minnesote pterodaktyly? Poďme to preskúmať.
+
+Aj keď by ste mohli rýchlo zoradiť údaje v Exceli, aby ste našli tieto extrémne hodnoty, ktoré sú pravdepodobne preklepy, pokračujte vo vizualizačnom procese priamo z grafu.
+
+Pridajte štítky na os x, aby ste ukázali, o aké vtáky ide:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```
+Špecifikujeme uhol v `theme` a špecifikujeme štítky osí x a y v `xlab()` a `ylab()` respektíve. Funkcia `ggtitle()` dáva grafu názov.
+
+![MaxRozpätie-čiarový graf-vylepšený](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sk.png)
+
+Aj s rotáciou štítkov nastavenou na 45 stupňov je ich príliš veľa na čítanie. Skúsme inú stratégiu: označme iba tie extrémne hodnoty a nastavme štítky priamo v grafe. Môžete použiť bodový graf, aby ste získali viac priestoru na označovanie:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```
+Čo sa tu deje? Použili ste funkciu `geom_point()` na vykreslenie bodov. S týmto ste pridali štítky pre vtáky, ktoré mali `MaxRozpätie > 500`, a tiež skryli štítky na osi x, aby ste graf vyčistili.
+
+Čo objavíte?
+
+![MaxRozpätie-bodový graf](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sk.png)
+
+## Filtrovanie údajov
+
+Orol skalný a sokol prériový, aj keď sú pravdepodobne veľmi veľké vtáky, sa zdajú byť nesprávne označené, s pridanou nulou k ich maximálnemu rozpätí krídel. Je nepravdepodobné, že by ste stretli orla skalného s rozpätím krídel 25 metrov, ale ak áno, dajte nám vedieť! Vytvorme nový dataframe bez týchto dvoch extrémnych hodnôt:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```
+Vytvorili sme nový dataframe `birds_filtered` a potom vykreslili bodový graf. Filtrovaním extrémnych hodnôt sú vaše údaje teraz súdržnejšie a zrozumiteľnejšie.
+
+![MaxRozpätie-bodový graf-vylepšený](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sk.png)
+
+Teraz, keď máme čistejší dataset aspoň z hľadiska rozpätia krídel, poďme objaviť viac o týchto vtákoch.
+
+Aj keď čiarové a bodové grafy môžu zobrazovať informácie o hodnotách údajov a ich distribúciách, chceme premýšľať o hodnotách inherentných v tomto datasete. Mohli by ste vytvoriť vizualizácie na zodpovedanie nasledujúcich otázok o množstve:
+
+> Koľko kategórií vtákov existuje a aké sú ich počty?  
+> Koľko vtákov je vyhynutých, ohrozených, vzácnych alebo bežných?  
+> Koľko je rôznych rodov a rádov podľa Linnaeusovej terminológie?  
+
+## Preskúmajte stĺpcové grafy
+
+Stĺpcové grafy sú praktické, keď potrebujete zobraziť skupiny údajov. Preskúmajme kategórie vtákov, ktoré existujú v tomto datasete, aby sme zistili, ktorá je najbežnejšia podľa počtu.  
+Vytvorme stĺpcový graf na filtrovaných údajoch.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```
+V nasledujúcom úryvku inštalujeme balíky [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) a [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), ktoré pomáhajú manipulovať a zoskupovať údaje na vykreslenie zoskupeného stĺpcového grafu. Najprv zoskupíte údaje podľa `Category` vtákov a potom sumarizujete stĺpce `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Potom vykreslíte stĺpcový graf pomocou balíka `ggplot2` a špecifikujete farby pre rôzne kategórie a štítky.
+
+![Zoskupený stĺpcový graf](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sk.png)
+
+Tento stĺpcový graf je však nečitateľný, pretože obsahuje príliš veľa nezoskupených údajov. Musíte vybrať iba údaje, ktoré chcete vykresliť, takže sa pozrime na dĺžku vtákov podľa ich kategórie.
+
+Filtrovanie údajov na zahrnutie iba kategórie vtákov.
+
+Keďže existuje veľa kategórií, môžete tento graf zobraziť vertikálne a upraviť jeho výšku, aby sa zobrazili všetky údaje:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```
+Najprv spočítate unikátne hodnoty v stĺpci `Category` a potom ich zoradíte do nového dataframe `birds_count`. Tieto zoradené údaje sú potom faktorizované na rovnakej úrovni, aby boli vykreslené v zoradenom poradí. Pomocou `ggplot2` potom vykreslíte údaje v stĺpcovom grafe. Funkcia `coord_flip()` vykreslí horizontálne stĺpce.
+
+![kategória-dĺžka](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sk.png)
+
+Tento stĺpcový graf poskytuje dobrý prehľad o počte vtákov v každej kategórii. Na prvý pohľad vidíte, že najväčší počet vtákov v tomto regióne patrí do kategórie Kačice/Husi/Vodné vtáky. Minnesota je "krajina 10 000 jazier", takže to nie je prekvapujúce!
+
+✅ Skúste niektoré ďalšie počty v tomto datasete. Prekvapí vás niečo?
+
+## Porovnávanie údajov
+
+Môžete skúsiť rôzne porovnania zoskupených údajov vytvorením nových osí. Skúste porovnanie MaxDĺžky vtákov podľa ich kategórie:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```
+Zoskupíme údaje `birds_filtered` podľa `Category` a potom vykreslíme stĺpcový graf.
+
+![porovnávanie údajov](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sk.png)
+
+Tu nie je nič prekvapujúce: kolibríky majú najmenšiu MaxDĺžku v porovnaní s pelikánmi alebo husami. Je dobré, keď údaje dávajú logický zmysel!
+
+Môžete vytvoriť zaujímavejšie vizualizácie stĺpcových grafov prekrytím údajov. Prekryme Minimálnu a Maximálnu Dĺžku na danej kategórii vtákov:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```
+![prekryté hodnoty](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sk.png)
+
+## 🚀 Výzva
+
+Tento dataset o vtákoch ponúka množstvo informácií o rôznych typoch vtákov v konkrétnom ekosystéme. Vyhľadajte na internete a zistite, či nájdete iné datasety orientované na vtáky. Precvičte si vytváranie grafov a diagramov o týchto vtákoch, aby ste objavili fakty, ktoré ste si neuvedomovali.
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Prehľad a samostatné štúdium
+
+Táto prvá lekcia vám poskytla informácie o tom, ako používať `ggplot2` na vizualizáciu množstiev. Urobte si výskum o iných spôsoboch práce s datasetmi na vizualizáciu. Vyhľadajte a preskúmajte datasety, ktoré by ste mohli vizualizovať pomocou iných balíkov, ako sú [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) a [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Zadanie
+[Čiary, body a stĺpce](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/sk/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..ff8b2c97
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:13:49+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Čiary, bodové grafy a stĺpcové grafy
+
+## Pokyny
+
+V tejto lekcii ste pracovali s čiarovými grafmi, bodovými grafmi a stĺpcovými grafmi, aby ste ukázali zaujímavé fakty o tejto množine údajov. V tejto úlohe sa ponorte hlbšie do množiny údajov a objavte fakt o danom druhu vtáka. Napríklad vytvorte skript, ktorý vizualizuje všetky zaujímavé údaje, ktoré môžete objaviť o snežných husi. Použite tri vyššie uvedené typy grafov na rozprávanie príbehu vo svojom notebooku.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | --- |
+Skript je prezentovaný s dobrými poznámkami, silným príbehom a atraktívnymi grafmi | Skriptu chýba jeden z týchto prvkov | Skriptu chýbajú dva z týchto prvkov
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/sk/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..503efc9f
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T17:00:10+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia distribúcií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Vizualizácia distribúcií - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V predchádzajúcej lekcii ste sa dozvedeli niekoľko zaujímavých faktov o súbore údajov o vtákoch z Minnesoty. Našli ste chybné údaje vizualizáciou odľahlých hodnôt a pozreli ste sa na rozdiely medzi kategóriami vtákov podľa ich maximálnej dĺžky.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Preskúmajte dataset vtákov
+
+Ďalším spôsobom, ako sa ponoriť do údajov, je pozrieť sa na ich distribúciu, teda na to, ako sú údaje usporiadané pozdĺž osi. Možno by ste napríklad chceli zistiť všeobecnú distribúciu maximálneho rozpätia krídel alebo maximálnej telesnej hmotnosti vtákov z Minnesoty v tomto datasete.
+
+Poďme objaviť niektoré fakty o distribúciách údajov v tomto datasete. Vo vašej R konzole importujte `ggplot2` a databázu. Odstráňte odľahlé hodnoty z databázy rovnako ako v predchádzajúcej téme.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Názov                        | Vedecký názov          | Kategória             | Rad          | Čeľaď    | Rod         | Stav ochrany         | MinDĺžka | MaxDĺžka | MinHmotnosť | MaxHmotnosť | MinRozpätie | MaxRozpätie |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :------------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Čiernobruchá pískajúca kačica | Dendrocygna autumnalis | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                   |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Hnedá pískajúca kačica        | Dendrocygna bicolor    | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Dendrocygna | LC                   |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snežná hus                    | Anser caerulescens     | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Rossova hus                   | Anser rossii           | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Veľká bieločelá hus           | Anser albifrons        | Kačice/Husi/Vodné vtáky | Anseriformes | Anatidae | Anser       | LC                   |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Vo všeobecnosti sa môžete rýchlo pozrieť na spôsob, akým sú údaje distribuované, pomocou bodového grafu, ako sme to urobili v predchádzajúcej lekcii:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![max dĺžka podľa radu](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sk.png)
+
+Toto poskytuje prehľad o všeobecnej distribúcii dĺžky tela podľa radu vtákov, ale nie je to optimálny spôsob zobrazenia skutočných distribúcií. Táto úloha sa zvyčajne rieši vytvorením histogramu.
+
+## Práca s histogramami
+
+`ggplot2` ponúka veľmi dobré spôsoby vizualizácie distribúcie údajov pomocou histogramov. Tento typ grafu je podobný stĺpcovému grafu, kde distribúciu možno vidieť prostredníctvom stúpania a klesania stĺpcov. Na vytvorenie histogramu potrebujete číselné údaje. Na vytvorenie histogramu môžete vykresliť graf, pričom definujete typ ako 'hist' pre histogram. Tento graf ukazuje distribúciu MaxBodyMass pre celý rozsah číselných údajov datasetu. Rozdelením poľa údajov na menšie intervaly môže zobraziť distribúciu hodnôt údajov:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![distribúcia pre celý dataset](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sk.png)
+
+Ako vidíte, väčšina z viac ako 400 vtákov v tomto datasete spadá do rozsahu pod 2000 pre ich maximálnu telesnú hmotnosť. Získajte viac informácií o údajoch zmenou parametra `bins` na vyššie číslo, napríklad 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![distribúcia-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sk.png)
+
+Tento graf ukazuje distribúciu o niečo podrobnejšie. Graf menej posunutý doľava by sa dal vytvoriť zabezpečením, že vyberiete iba údaje v danom rozsahu:
+
+Filtrovať údaje tak, aby ste získali iba tie vtáky, ktorých telesná hmotnosť je pod 60, a zobraziť 30 `bins`:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![filtrovaný histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sk.png)
+
+✅ Vyskúšajte iné filtre a dátové body. Ak chcete vidieť úplnú distribúciu údajov, odstráňte filter `['MaxBodyMass']`, aby sa zobrazili označené distribúcie.
+
+Histogram ponúka aj niektoré pekné farebné a označovacie vylepšenia, ktoré môžete vyskúšať:
+
+Vytvorte 2D histogram na porovnanie vzťahu medzi dvoma distribúciami. Porovnajme `MaxBodyMass` vs. `MaxLength`. `ggplot2` ponúka zabudovaný spôsob, ako ukázať konvergenciu pomocou jasnejších farieb:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Zdá sa, že medzi týmito dvoma prvkami existuje očakávaná korelácia pozdĺž očakávanej osi, s jedným obzvlášť silným bodom konvergencie:
+
+![2d graf](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sk.png)
+
+Histogramy fungujú dobre predvolene pre číselné údaje. Čo ak potrebujete vidieť distribúcie podľa textových údajov? 
+## Preskúmajte dataset pre distribúcie pomocou textových údajov 
+
+Tento dataset obsahuje aj dobré informácie o kategórii vtákov, ich rode, druhu a čeľadi, ako aj o ich stave ochrany. Poďme sa pozrieť na tieto informácie o ochrane. Aká je distribúcia vtákov podľa ich stavu ochrany?
+
+> ✅ V datasete sa používa niekoľko skratiek na opis stavu ochrany. Tieto skratky pochádzajú z [IUCN Red List Categories](https://www.iucnredlist.org/), organizácie, ktorá katalogizuje stav druhov.
+> 
+> - CR: Kriticky ohrozený
+> - EN: Ohrozený
+> - EX: Vyhynutý
+> - LC: Najmenej ohrozený
+> - NT: Takmer ohrozený
+> - VU: Zraniteľný
+
+Tieto hodnoty sú textové, takže budete musieť vykonať transformáciu na vytvorenie histogramu. Pomocou dataframe `filteredBirds` zobrazte jeho stav ochrany spolu s minimálnym rozpätím krídel. Čo vidíte? 
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![rozpätie krídel a stav ochrany](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sk.png)
+
+Zdá sa, že medzi minimálnym rozpätím krídel a stavom ochrany neexistuje dobrá korelácia. Otestujte iné prvky datasetu pomocou tejto metódy. Môžete vyskúšať aj rôzne filtre. Nájdete nejakú koreláciu?
+
+## Hustotné grafy
+
+Možno ste si všimli, že histogramy, ktoré sme doteraz videli, sú „krokové“ a nepôsobia plynulo v oblúku. Na zobrazenie plynulejšieho hustotného grafu môžete vyskúšať hustotný graf.
+
+Poďme teraz pracovať s hustotnými grafmi!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![hustotný graf](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sk.png)
+
+Vidíte, ako graf odráža ten predchádzajúci pre údaje o minimálnom rozpätí krídel; je len o niečo plynulejší. Ak by ste chceli znovu navštíviť tú zubatú čiaru MaxBodyMass v druhom grafe, ktorý ste vytvorili, mohli by ste ju veľmi dobre vyhladiť opätovným vytvorením pomocou tejto metódy:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![hustota telesnej hmotnosti](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sk.png)
+
+Ak by ste chceli hladkú, ale nie príliš hladkú čiaru, upravte parameter `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![menej hladká telesná hmotnosť](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sk.png)
+
+✅ Prečítajte si o parametroch dostupných pre tento typ grafu a experimentujte!
+
+Tento typ grafu ponúka krásne vysvetľujúce vizualizácie. S niekoľkými riadkami kódu môžete napríklad zobraziť hustotu maximálnej telesnej hmotnosti podľa radu vtákov:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![telesná hmotnosť podľa radu](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sk.png)
+
+## 🚀 Výzva
+
+Histogramy sú sofistikovanejším typom grafu ako základné bodové grafy, stĺpcové grafy alebo čiarové grafy. Vyhľadajte na internete dobré príklady použitia histogramov. Ako sa používajú, čo demonštrujú a v akých oblastiach alebo oblastiach výskumu sa zvyčajne používajú?
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Prehľad a samoštúdium
+
+V tejto lekcii ste použili `ggplot2` a začali ste pracovať na zobrazovaní sofistikovanejších grafov. Urobte si výskum o `geom_density_2d()` - "kontinuálna krivka hustoty pravdepodobnosti v jednej alebo viacerých dimenziách". Prečítajte si [dokumentáciu](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), aby ste pochopili, ako funguje.
+
+## Zadanie
+
+[Uplatnite svoje zručnosti](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/sk/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..2e9d5190
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:02:23+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Uplatnite svoje zručnosti
+
+## Pokyny
+
+Doteraz ste pracovali s datasetom vtákov z Minnesoty, aby ste objavili informácie o množstvách vtákov a hustote populácie. Precvičte si aplikáciu týchto techník na inom datasete, ktorý môžete napríklad získať z [Kaggle](https://www.kaggle.com/). Vytvorte R skript, ktorý rozpráva príbeh o tomto datasete, a nezabudnite použiť histogramy pri jeho analýze.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Vyžaduje zlepšenie
+--- | --- | --- |
+Skript je prezentovaný s poznámkami o tomto datasete, vrátane jeho zdroja, a používa aspoň 5 histogramov na objavenie faktov o dátach. | Skript je prezentovaný s neúplnými poznámkami alebo obsahuje chyby. | Skript je prezentovaný bez poznámok a obsahuje chyby.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/sk/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..9f72e483
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,201 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:20:18+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia proporcií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Vizualizácia proporcií - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V tejto lekcii použijete dataset zameraný na prírodu na vizualizáciu proporcií, napríklad koľko rôznych druhov húb sa nachádza v danom datasete o hubách. Poďme preskúmať tieto fascinujúce huby pomocou datasetu pochádzajúceho z Audubon, ktorý obsahuje podrobnosti o 23 druhoch húb s lupeňmi z rodov Agaricus a Lepiota. Budete experimentovať s chutnými vizualizáciami, ako sú:
+
+- Koláčové grafy 🥧
+- Donutové grafy 🍩
+- Waflové grafy 🧇
+
+> 💡 Veľmi zaujímavý projekt s názvom [Charticulator](https://charticulator.com) od Microsoft Research ponúka bezplatné rozhranie na tvorbu vizualizácií pomocou drag and drop. V jednom z ich tutoriálov tiež používajú tento dataset o hubách! Takže môžete preskúmať dáta a zároveň sa naučiť používať túto knižnicu: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Kvíz pred lekciou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Spoznajte svoje huby 🍄
+
+Huby sú veľmi zaujímavé. Importujme dataset, aby sme ich mohli študovať:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+Tabuľka sa zobrazí s niekoľkými skvelými údajmi na analýzu:
+
+
+| trieda     | tvar klobúka | povrch klobúka | farba klobúka | modriny | vôňa    | pripojenie lupeňov | rozostup lupeňov | veľkosť lupeňov | farba lupeňov | tvar hlúbika | koreň hlúbika | povrch nad prsteňom | povrch pod prsteňom | farba nad prsteňom | farba pod prsteňom | typ závoja | farba závoja | počet prsteňov | typ prsteňa | farba výtrusov | populácia | biotop |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Jedovatá | Konvexný    | Hladký      | Hnedý     | Modriny | Štipľavá | Voľné            | Tesné        | Úzke    | Čierna      | Rozširujúci   | Rovný      | Hladký                   | Hladký                   | Biela                  | Biela                  | Čiastočný   | Biela      | Jeden         | Visutý   | Čierna             | Roztrúsená  | Mestský   |
+| Jedlá    | Konvexný    | Hladký      | Žltý    | Modriny | Mandľová  | Voľné            | Tesné        | Široké     | Čierna      | Rozširujúci   | Kyjakovitý       | Hladký                   | Hladký                   | Biela                  | Biela                  | Čiastočný   | Biela      | Jeden         | Visutý   | Hnedá             | Početná   | Trávnaté |
+| Jedlá    | Zvonovitý      | Hladký      | Biela     | Modriny | Anízová   | Voľné            | Tesné        | Široké     | Hnedá      | Rozširujúci   | Kyjakovitý       | Hladký                   | Hladký                   | Biela                  | Biela                  | Čiastočný   | Biela      | Jeden         | Visutý   | Hnedá             | Početná   | Lúky |
+| Jedovatá | Konvexný    | Šupinatý       | Biela     | Modriny | Štipľavá | Voľné            | Tesné        | Úzke    | Hnedá      | Rozširujúci   | Rovný      | Hladký                   | Hladký                   | Biela                  | Biela                  | Čiastočný   | Biela      | Jeden         | Visutý   | Čierna             | Roztrúsená  | Mestský 
+| Jedlá | Konvexný       |Hladký       | Zelený     | Bez modrín| Žiadna   |Voľné            | Preplnené       | Široké     | Čierna      | Zužujúci   | Rovný      |  Hladký | Hladký                    | Biela                 | Biela                  | Čiastočný    | Biela     | Jeden         | Pominuteľný | Hnedá             | Hojná | Trávnaté
+|Jedlá  |  Konvexný      | Šupinatý   | Žltý         | Modriny  | Mandľová  | Voľné | Tesné  |   Široké   |   Hnedá  | Rozširujúci   |   Kyjakovitý                      | Hladký                  | Hladký    | Biela                 |  Biela                | Čiastočný      | Biela    |  Jeden  |  Visutý | Čierna   | Početná | Trávnaté
+      
+Hneď si všimnete, že všetky údaje sú textové. Budete ich musieť konvertovať, aby ste ich mohli použiť v grafe. Väčšina údajov je v skutočnosti reprezentovaná ako objekt:
+
+```r
+names(mushrooms)
+```
+
+Výstup je:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+Vezmite tieto údaje a konvertujte stĺpec 'trieda' na kategóriu:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+
+Teraz, ak vytlačíte údaje o hubách, uvidíte, že boli rozdelené do kategórií podľa triedy jedovaté/jedlé:
+```r
+View(grouped)
+```
+
+
+| trieda | počet |
+| --------- | --------- |
+| Jedlá | 4208 |
+| Jedovatá| 3916 |
+
+
+
+Ak budete postupovať podľa poradia uvedeného v tejto tabuľke na vytvorenie kategórií tried, môžete vytvoriť koláčový graf. 
+
+## Koláč!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+Voila, koláčový graf zobrazujúci proporcie týchto údajov podľa dvoch tried húb. Je veľmi dôležité správne zoradiť poradie štítkov, najmä tu, preto si overte poradie, v akom je pole štítkov vytvorené!
+
+![koláčový graf](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sk.png)
+
+## Donuty!
+
+O niečo vizuálne zaujímavejší koláčový graf je donutový graf, čo je koláčový graf s dierou v strede. Pozrime sa na naše údaje pomocou tejto metódy.
+
+Pozrite sa na rôzne biotopy, kde huby rastú:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+Výstup je:
+| biotop| počet |
+| --------- | --------- |
+| Trávnaté    | 2148 |
+| Listy| 832 |
+| Lúky    | 292 |
+| Cesty| 1144 |
+| Mestský    | 368 |
+| Odpad| 192 |
+| Lesy| 3148 |
+
+
+Tu zoskupujete svoje údaje podľa biotopu. Je ich uvedených 7, takže ich použite ako štítky pre váš donutový graf:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![donutový graf](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sk.png)
+
+Tento kód používa dve knižnice - ggplot2 a webr. Pomocou funkcie PieDonut z knižnice webr môžeme ľahko vytvoriť donutový graf!
+
+Donutové grafy v R je možné vytvoriť aj pomocou samotnej knižnice ggplot2. Viac sa o tom môžete dozvedieť [tu](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) a vyskúšať si to sami.
+
+Teraz, keď viete, ako zoskupiť svoje údaje a potom ich zobraziť ako koláč alebo donut, môžete preskúmať iné typy grafov. Skúste waflový graf, ktorý je len iným spôsobom skúmania kvantity.
+## Wafle!
+
+Graf typu 'waffle' je iný spôsob vizualizácie kvantít ako 2D pole štvorcov. Skúste vizualizovať rôzne kvantity farieb klobúkov húb v tomto datasete. Na to potrebujete nainštalovať pomocnú knižnicu s názvom [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) a použiť ju na vytvorenie svojej vizualizácie:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+Vyberte segment svojich údajov na zoskupenie:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+Vytvorte waflový graf vytvorením štítkov a následným zoskupením údajov:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+Pomocou waflového grafu môžete jasne vidieť proporcie farieb klobúkov v tomto datasete húb. Zaujímavé je, že existuje veľa húb so zelenými klobúkmi!
+
+![waflový graf](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sk.png)
+
+V tejto lekcii ste sa naučili tri spôsoby vizualizácie proporcií. Najprv musíte zoskupiť svoje údaje do kategórií a potom sa rozhodnúť, ktorý spôsob zobrazenia údajov je najlepší - koláč, donut alebo waffle. Všetky sú chutné a poskytujú používateľovi okamžitý prehľad o datasete.
+
+## 🚀 Výzva
+
+Skúste tieto chutné grafy vytvoriť v [Charticulator](https://charticulator.com).
+## [Kvíz po lekcii](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Prehľad a samoštúdium
+
+Niekedy nie je zrejmé, kedy použiť koláčový, donutový alebo waflový graf. Tu je niekoľko článkov na túto tému:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Urobte si výskum, aby ste našli viac informácií o tomto náročnom rozhodovaní.
+## Zadanie
+
+[Skúste to v Exceli](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/sk/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..78444e6c
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:04:34+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácia vzťahov: Všetko o mede 🍯
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Vizualizácia vzťahov - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Pokračujúc v prírodnom zameraní nášho výskumu, poďme objaviť zaujímavé vizualizácie, ktoré ukazujú vzťahy medzi rôznymi druhmi medu, podľa datasetu odvodeného od [Ministerstva poľnohospodárstva Spojených štátov](https://www.nass.usda.gov/About_NASS/index.php). 
+
+Tento dataset obsahuje približne 600 položiek a zobrazuje produkciu medu v mnohých štátoch USA. Napríklad môžete preskúmať počet kolónií, výnos na kolóniu, celkovú produkciu, zásoby, cenu za libru a hodnotu vyprodukovaného medu v danom štáte od roku 1998 do 2012, pričom každý riadok predstavuje jeden rok pre každý štát. 
+
+Bude zaujímavé vizualizovať vzťah medzi produkciou v danom štáte za rok a napríklad cenou medu v tom istom štáte. Alternatívne môžete vizualizovať vzťah medzi výnosom medu na kolóniu v jednotlivých štátoch. Toto obdobie zahŕňa ničivý fenomén 'CCD' alebo 'Colony Collapse Disorder', ktorý bol prvýkrát zaznamenaný v roku 2006 (http://npic.orst.edu/envir/ccd.html), takže ide o dojímavý dataset na štúdium. 🐝
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+V tejto lekcii môžete použiť ggplot2, ktorý ste už predtým používali, ako výbornú knižnicu na vizualizáciu vzťahov medzi premennými. Obzvlášť zaujímavé je použitie funkcií `geom_point` a `qplot` z ggplot2, ktoré umožňujú rýchlo vytvárať bodové a čiarové grafy na vizualizáciu '[štatistických vzťahov](https://ggplot2.tidyverse.org/)', čo umožňuje dátovým vedcom lepšie pochopiť, ako sa premenné navzájom ovplyvňujú.
+
+## Bodové grafy
+
+Použite bodový graf na zobrazenie, ako sa cena medu vyvíjala rok po roku v jednotlivých štátoch. ggplot2, pomocou `ggplot` a `geom_point`, pohodlne zoskupuje údaje podľa štátov a zobrazuje dátové body pre kategorizované aj číselné údaje. 
+
+Začnime importovaním dát a knižnice Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Všimnete si, že údaje o mede obsahujú niekoľko zaujímavých stĺpcov, vrátane roku a ceny za libru. Preskúmajme tieto údaje, zoskupené podľa štátov USA:
+
+| štát | početkolónií | výnosnakolóniu | celkováprodukcia | zásoby   | cenazalibru | hodnotaprodukcie | rok |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Vytvorte základný bodový graf na zobrazenie vzťahu medzi cenou za libru medu a štátom jeho pôvodu. Nastavte os `y` dostatočne vysokú, aby zobrazila všetky štáty:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![bodový graf 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sk.png)
+
+Teraz zobrazte tie isté údaje s farebnou schémou medu, aby ste ukázali, ako sa cena vyvíja v priebehu rokov. Môžete to urobiť pridaním parametra 'scale_color_gradientn', ktorý ukazuje zmenu rok po roku:
+
+> ✅ Viac sa dozviete o [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - vyskúšajte krásnu dúhovú farebnú schému!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![bodový graf 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sk.png)
+
+S touto zmenou farebnej schémy môžete vidieť, že v priebehu rokov existuje zjavný silný nárast ceny za libru medu. Ak si overíte vzorku údajov (napríklad pre štát Arizona), môžete vidieť vzor zvyšovania cien rok po roku, s niekoľkými výnimkami:
+
+| štát | početkolónií | výnosnakolóniu | celkováprodukcia | zásoby  | cenazalibru | hodnotaprodukcie | rok |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Ďalším spôsobom, ako vizualizovať tento vývoj, je použiť veľkosť namiesto farby. Pre používateľov s poruchami farebného videnia by to mohla byť lepšia možnosť. Upravte svoju vizualizáciu tak, aby nárast ceny bol zobrazený zväčšením obvodu bodov:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Vidíte, že veľkosť bodov sa postupne zväčšuje.
+
+![bodový graf 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sk.png)
+
+Je to jednoduchý prípad ponuky a dopytu? Kvôli faktorom, ako je zmena klímy a kolaps kolónií, je k dispozícii menej medu na predaj rok po roku, a preto cena stúpa?
+
+Aby sme objavili koreláciu medzi niektorými premennými v tomto datasete, poďme preskúmať niektoré čiarové grafy.
+
+## Čiarové grafy
+
+Otázka: Existuje jasný nárast ceny medu za libru rok po roku? Najjednoduchšie to zistíte vytvorením jedného čiarového grafu:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Odpoveď: Áno, s niektorými výnimkami okolo roku 2003:
+
+![čiarový graf 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sk.png)
+
+Otázka: No, v roku 2003 môžeme tiež vidieť nárast v zásobách medu? Čo ak sa pozriete na celkovú produkciu rok po roku?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![čiarový graf 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sk.png)
+
+Odpoveď: Nie celkom. Ak sa pozriete na celkovú produkciu, zdá sa, že v tomto konkrétnom roku skutočne vzrástla, aj keď všeobecne produkcia medu v týchto rokoch klesá.
+
+Otázka: V tom prípade, čo mohlo spôsobiť ten nárast ceny medu okolo roku 2003? 
+
+Aby sme to zistili, môžeme preskúmať mriežku s viacerými grafmi.
+
+## Mriežky s viacerými grafmi
+
+Mriežky s viacerými grafmi (facet grids) zoberú jednu vlastnosť vášho datasetu (v našom prípade môžete zvoliť 'rok', aby sa nevytvorilo príliš veľa grafov). Seaborn potom vytvorí graf pre každý z týchto aspektov na zvolených osiach x a y, čo umožňuje jednoduchšie vizuálne porovnanie. Vyniká rok 2003 v tomto type porovnania?
+
+Vytvorte mriežku s viacerými grafmi pomocou `facet_wrap`, ako odporúča [dokumentácia ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html). 
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+V tejto vizualizácii môžete porovnať výnos na kolóniu a počet kolónií rok po roku, vedľa seba, s nastavením wrap na 3 pre stĺpce:
+
+![mriežka s viacerými grafmi](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sk.png)
+
+Pre tento dataset nič konkrétne nevyniká, pokiaľ ide o počet kolónií a ich výnos rok po roku a štát po štáte. Existuje iný spôsob, ako nájsť koreláciu medzi týmito dvoma premennými?
+
+## Dvojité čiarové grafy
+
+Vyskúšajte viacnásobný čiarový graf prekrytím dvoch čiarových grafov na seba, pomocou funkcií `par` a `plot` v R. Budeme zobrazovať rok na osi x a dve osi y. Zobrazte výnos na kolóniu a počet kolónií, prekryté:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![prekryté grafy](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sk.png)
+
+Aj keď nič výrazné nevyniká okolo roku 2003, umožňuje nám to ukončiť túto lekciu na trochu pozitívnejšiu nôtu: aj keď celkový počet kolónií klesá, počet kolónií sa stabilizuje, aj keď ich výnos na kolóniu klesá.
+
+Do toho, včely, do toho!
+
+🐝❤️
+## 🚀 Výzva
+
+V tejto lekcii ste sa dozvedeli viac o ďalších využitiach bodových grafov a mriežok s viacerými grafmi. Skúste si vytvoriť mriežku s viacerými grafmi pomocou iného datasetu, možno takého, ktorý ste použili v predchádzajúcich lekciách. Všimnite si, ako dlho trvá ich vytvorenie a ako musíte byť opatrní pri počte grafov, ktoré potrebujete nakresliť pomocou týchto techník.
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Prehľad a samoštúdium
+
+Čiarové grafy môžu byť jednoduché alebo pomerne zložité. Prečítajte si niečo o rôznych spôsoboch, ako ich môžete vytvoriť, v [dokumentácii ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together). Skúste vylepšiť čiarové grafy, ktoré ste vytvorili v tejto lekcii, pomocou iných metód uvedených v dokumentácii.
+## Zadanie
+
+[Ponorte sa do úľa](assignment.md)
+
+---
+
+**Zrieknutie sa zodpovednosti**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/sk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..c76fdc42
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:16:23+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "sk"
+}
+-->
+# Tvorba zmysluplných vizualizácií
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Zmysluplné vizualizácie - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+> "Ak budete dáta mučiť dostatočne dlho, priznajú čokoľvek." -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Jednou zo základných zručností dátového vedca je schopnosť vytvoriť zmysluplnú vizualizáciu dát, ktorá pomáha odpovedať na otázky, ktoré si kladiete. Predtým, než začnete dáta vizualizovať, je potrebné ich vyčistiť a pripraviť, ako ste to robili v predchádzajúcich lekciách. Potom môžete začať rozhodovať, ako najlepšie dáta prezentovať.
+
+V tejto lekcii si prejdete:
+
+1. Ako vybrať správny typ grafu
+2. Ako sa vyhnúť zavádzajúcim grafom
+3. Ako pracovať s farbami
+4. Ako upraviť grafy pre lepšiu čitateľnosť
+5. Ako vytvoriť animované alebo 3D grafy
+6. Ako vytvoriť kreatívnu vizualizáciu
+
+## [Kvíz pred lekciou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Vyberte správny typ grafu
+
+V predchádzajúcich lekciách ste experimentovali s vytváraním rôznych zaujímavých vizualizácií dát pomocou knižníc Matplotlib a Seaborn. Vo všeobecnosti môžete vybrať [správny typ grafu](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pre otázku, ktorú si kladiete, pomocou tejto tabuľky:
+
+| Potrebujete:               | Mali by ste použiť:            |
+| -------------------------- | ----------------------------- |
+| Ukázať trendy v čase       | Čiarový graf                  |
+| Porovnať kategórie         | Stĺpcový, Koláčový graf       |
+| Porovnať celkové hodnoty   | Koláčový, Stohovaný stĺpcový  |
+| Ukázať vzťahy              | Bodový, Čiarový, Facet, Dual Line |
+| Ukázať distribúcie         | Bodový, Histogram, Boxplot    |
+| Ukázať proporcie           | Koláčový, Donut, Waffle       |
+
+> ✅ V závislosti od štruktúry vašich dát môže byť potrebné ich previesť z textového na číselný formát, aby ste mohli použiť konkrétny typ grafu.
+
+## Vyhnite sa zavádzaniu
+
+Aj keď dátový vedec starostlivo vyberie správny graf pre správne dáta, existuje mnoho spôsobov, ako môžu byť dáta prezentované tak, aby podporili určitý názor, často na úkor samotných dát. Existuje veľa príkladov zavádzajúcich grafov a infografík!
+
+[![Ako grafy klamú od Alberta Caira](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sk.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Ako grafy klamú")
+
+> 🎥 Kliknite na obrázok vyššie pre konferenčný prejav o zavádzajúcich grafoch
+
+Tento graf prevracia os X, aby ukázal opak pravdy na základe dátumu:
+
+![zlý graf 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sk.png)
+
+[Tento graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je ešte zavádzajúcejší, pretože oko je vedené k záveru, že počet prípadov COVID klesal v rôznych okresoch. Ak sa však pozriete bližšie na dátumy, zistíte, že boli preusporiadané, aby vytvorili tento zavádzajúci klesajúci trend.
+
+![zlý graf 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sk.jpg)
+
+Tento notoricky známy príklad používa farbu A prevrátenú os Y na zavádzanie: namiesto záveru, že počet úmrtí na strelné zbrane vzrástol po prijatí legislatívy podporujúcej zbrane, oko je oklamané, aby si myslelo opak:
+
+![zlý graf 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sk.jpg)
+
+Tento zvláštny graf ukazuje, ako môže byť proporcia manipulovaná, a to až do komického efektu:
+
+![zlý graf 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sk.jpg)
+
+Porovnávanie neporovnateľného je ďalší pochybný trik. Existuje [úžasná webová stránka](https://tylervigen.com/spurious-correlations) venovaná 'falošným koreláciám', ktorá zobrazuje 'fakty' korelujúce veci ako rozvodovosť v Maine a spotrebu margarínu. Skupina na Reddite tiež zbiera [škaredé použitia](https://www.reddit.com/r/dataisugly/top/?t=all) dát.
+
+Je dôležité pochopiť, ako ľahko môže byť oko oklamané zavádzajúcimi grafmi. Aj keď má dátový vedec dobrý úmysel, výber zlého typu grafu, ako napríklad koláčového grafu s príliš veľa kategóriami, môže byť zavádzajúci.
+
+## Farby
+
+Ako ste videli na grafe 'Florida gun violence', farba môže poskytnúť ďalšiu vrstvu významu grafom, najmä tým, ktoré nie sú navrhnuté pomocou knižníc ako ggplot2 a RColorBrewer, ktoré obsahujú rôzne overené farebné knižnice a palety. Ak vytvárate graf ručne, trochu si naštudujte [teóriu farieb](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Pri navrhovaní grafov majte na pamäti, že prístupnosť je dôležitým aspektom vizualizácie. Niektorí vaši používatelia môžu byť farboslepí - zobrazuje sa váš graf dobre pre používateľov so zrakovým postihnutím?
+
+Buďte opatrní pri výbere farieb pre váš graf, pretože farba môže niesť význam, ktorý ste nemali v úmysle. 'Ružové dámy' v grafe 'výška' vyššie nesú výrazne 'ženský' priradený význam, ktorý pridáva k bizarnosti samotného grafu.
+
+Hoci [význam farieb](https://colormatters.com/color-symbolism/the-meanings-of-colors) sa môže líšiť v rôznych častiach sveta a má tendenciu meniť sa podľa odtieňa, vo všeobecnosti farby znamenajú:
+
+| Farba  | Význam              |
+| ------ | ------------------- |
+| červená| sila                |
+| modrá  | dôvera, lojalita    |
+| žltá   | šťastie, opatrnosť  |
+| zelená | ekológia, šťastie, závisť |
+| fialová| šťastie             |
+| oranžová| energia            |
+
+Ak máte za úlohu vytvoriť graf s vlastnými farbami, uistite sa, že vaše grafy sú prístupné a farba, ktorú vyberiete, zodpovedá významu, ktorý sa snažíte sprostredkovať.
+
+## Úprava grafov pre čitateľnosť
+
+Grafy nie sú zmysluplné, ak nie sú čitateľné! Zvážte úpravu šírky a výšky grafu tak, aby dobre zodpovedali vašim dátam. Ak je potrebné zobraziť jednu premennú (napríklad všetkých 50 štátov), zobrazte ich vertikálne na osi Y, ak je to možné, aby ste sa vyhli horizontálnemu posúvaniu grafu.
+
+Označte svoje osi, poskytnite legendu, ak je to potrebné, a ponúknite tooltipy pre lepšie pochopenie dát.
+
+Ak sú vaše dáta textové a na osi X príliš dlhé, môžete text nakloniť pre lepšiu čitateľnosť. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) ponúka 3D vykresľovanie, ak to vaše dáta podporujú. Pomocou neho je možné vytvoriť sofistikované vizualizácie dát.
+
+![3D grafy](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sk.png)
+
+## Animácia a 3D zobrazenie grafov
+
+Niektoré z najlepších vizualizácií dát sú dnes animované. Shirley Wu vytvorila úžasné vizualizácie pomocou D3, ako napríklad '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kde každý kvet predstavuje vizualizáciu filmu. Ďalším príkladom pre Guardian je 'bussed out', interaktívny zážitok kombinujúci vizualizácie s Greensock a D3 spolu s článkom vo formáte scrollytelling, ktorý ukazuje, ako NYC rieši problém bezdomovcov tým, že ich presúva mimo mesta.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sk.png)
+
+> "Bussed Out: Ako Amerika presúva svojich bezdomovcov" od [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizácie od Nadieh Bremer & Shirley Wu
+
+Hoci táto lekcia nie je dostatočne podrobná na to, aby vás naučila tieto výkonné knižnice na vizualizáciu, skúste si vyskúšať D3 v aplikácii Vue.js pomocou knižnice na zobrazenie vizualizácie knihy "Nebezpečné známosti" ako animovanej sociálnej siete.
+
+> "Les Liaisons Dangereuses" je epistolárny román, teda román prezentovaný ako séria listov. Napísaný v roku 1782 Choderlosom de Laclos, rozpráva príbeh zákerných, morálne skazených spoločenských intríg dvoch hlavných postáv francúzskej aristokracie koncom 18. storočia, vikomta de Valmont a markízy de Merteuil. Obaja nakoniec zahynú, ale nie bez toho, aby spôsobili veľké spoločenské škody. Román sa odvíja ako séria listov písaných rôznym ľuďom v ich kruhoch, plánujúcich pomstu alebo jednoducho spôsobujúcich problémy. Vytvorte vizualizáciu týchto listov, aby ste objavili hlavných aktérov príbehu vizuálne.
+
+Dokončíte webovú aplikáciu, ktorá zobrazí animovaný pohľad na túto sociálnu sieť. Používa knižnicu, ktorá bola vytvorená na [vizualizáciu siete](https://github.com/emiliorizzo/vue-d3-network) pomocou Vue.js a D3. Keď aplikácia beží, môžete uzly na obrazovke presúvať a meniť usporiadanie dát.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sk.png)
+
+## Projekt: Vytvorte graf na zobrazenie siete pomocou D3.js
+
+> Tento priečinok lekcie obsahuje priečinok `solution`, kde nájdete dokončený projekt pre vašu referenciu.
+
+1. Postupujte podľa pokynov v súbore README.md v koreňovom priečinku priečinka starter. Uistite sa, že máte na svojom zariadení nainštalované NPM a Node.js pred inštaláciou závislostí projektu.
+
+2. Otvorte priečinok `starter/src`. Nájdete priečinok `assets`, kde je .json súbor so všetkými listami z románu, očíslovanými, s anotáciami 'to' a 'from'.
+
+3. Dokončite kód v `components/Nodes.vue`, aby ste umožnili vizualizáciu. Nájdite metódu s názvom `createLinks()` a pridajte nasledujúcu vnorenú slučku.
+
+Prejdite objekt .json, aby ste zachytili údaje 'to' a 'from' pre listy a vytvorili objekt `links`, ktorý môže knižnica na vizualizáciu použiť:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Spustite svoju aplikáciu z terminálu (npm run serve) a užite si vizualizáciu!
+
+## 🚀 Výzva
+
+Prejdite si internet a objavte zavádzajúce vizualizácie. Ako autor klame používateľa a je to úmyselné? Skúste opraviť vizualizácie, aby ste ukázali, ako by mali vyzerať.
+
+## [Kvíz po lekcii](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Prehľad a samoštúdium
+
+Tu sú niektoré články na prečítanie o zavádzajúcich vizualizáciách dát:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Pozrite si tieto zaujímavé vizualizácie historických artefaktov:
+
+https://handbook.pubpub.org/
+
+Prečítajte si tento článok o tom, ako animácia môže zlepšiť vaše vizualizácie:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Zadanie
+
+[Vytvorte si vlastnú vizualizáciu](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/3-Data-Visualization/README.md b/translations/sk/3-Data-Visualization/README.md
new file mode 100644
index 00000000..4a9cd81a
--- /dev/null
+++ b/translations/sk/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:41:43+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "sk"
+}
+-->
+# Vizualizácie
+
+![včela na kvete levandule](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sk.jpg)
+> Fotografia od <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> na <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Vizualizácia dát je jednou z najdôležitejších úloh dátového vedca. Obrázky majú hodnotu tisíc slov a vizualizácia vám môže pomôcť identifikovať rôzne zaujímavé časti vašich dát, ako sú výkyvy, odľahlé hodnoty, zoskupenia, tendencie a ďalšie, ktoré vám pomôžu pochopiť príbeh, ktorý vaše dáta rozprávajú.
+
+V týchto piatich lekciách budete skúmať dáta pochádzajúce z prírody a vytvárať zaujímavé a krásne vizualizácie pomocou rôznych techník.
+
+| Číslo témy | Téma | Prepojená lekcia | Autor |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | Vizualizácia množstiev | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Vizualizácia distribúcie | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Vizualizácia proporcií | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Vizualizácia vzťahov | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Tvorba zmysluplných vizualizácií | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Kredity
+
+Tieto lekcie o vizualizáciách boli napísané s 🌸 od [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) a [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Dáta o produkcii medu v USA pochádzajú z projektu Jessicy Li na [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Dáta](https://usda.library.cornell.edu/concern/publications/rn301137d) sú odvodené od [Ministerstva poľnohospodárstva Spojených štátov](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Dáta o hubách pochádzajú tiež z [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), revidované Hatterasom Duntonom. Tento dataset obsahuje popisy hypotetických vzoriek zodpovedajúcich 23 druhom hubovitých húb z čeľade Agaricus a Lepiota. Dáta o hubách sú čerpané z The Audubon Society Field Guide to North American Mushrooms (1981). Tento dataset bol darovaný UCI ML 27 v roku 1987.
+
+🦆 Dáta o vtákoch z Minnesoty pochádzajú z [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), zozbierané z [Wikipédie](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) Hannah Collins.
+
+Všetky tieto datasety sú licencované ako [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/sk/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..784827a8
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,120 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:24:43+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "sk"
+}
+-->
+# Úvod do životného cyklu dátovej vedy
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Úvod do životného cyklu dátovej vedy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz pred prednáškou](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+V tomto bode ste si pravdepodobne uvedomili, že dátová veda je proces. Tento proces možno rozdeliť do 5 fáz:
+
+- Zber
+- Spracovanie
+- Analýza
+- Komunikácia
+- Údržba
+
+Táto lekcia sa zameriava na 3 časti životného cyklu: zber, spracovanie a údržbu.
+
+![Diagram životného cyklu dátovej vedy](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sk.jpg)  
+> Foto od [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Zber
+
+Prvá fáza životného cyklu je veľmi dôležitá, pretože na nej závisia ďalšie fázy. Prakticky ide o dve fázy spojené do jednej: získavanie dát a definovanie účelu a problémov, ktoré je potrebné riešiť.  
+Definovanie cieľov projektu si vyžaduje hlbší kontext problému alebo otázky. Najprv musíme identifikovať a osloviť tých, ktorí potrebujú vyriešiť svoj problém. Môžu to byť zainteresované strany v podniku alebo sponzori projektu, ktorí môžu pomôcť identifikovať, kto alebo čo bude mať z projektu úžitok, ako aj čo a prečo to potrebujú. Dobre definovaný cieľ by mal byť merateľný a kvantifikovateľný, aby bolo možné definovať prijateľný výsledok.
+
+Otázky, ktoré si môže dátový vedec položiť:
+- Bol tento problém už niekedy riešený? Čo sa zistilo?
+- Rozumejú všetci zúčastnení účelu a cieľu?
+- Existuje nejasnosť a ako ju znížiť?
+- Aké sú obmedzenia?
+- Ako by mohol vyzerať konečný výsledok?
+- Koľko zdrojov (čas, ľudia, výpočtová kapacita) je k dispozícii?
+
+Ďalším krokom je identifikácia, zber a nakoniec preskúmanie dát potrebných na dosiahnutie týchto definovaných cieľov. V tomto kroku získavania musia dátoví vedci tiež vyhodnotiť množstvo a kvalitu dát. To si vyžaduje určitý prieskum dát, aby sa potvrdilo, že získané dáta podporia dosiahnutie požadovaného výsledku.
+
+Otázky, ktoré si môže dátový vedec položiť o dátach:
+- Aké dáta už mám k dispozícii?
+- Kto vlastní tieto dáta?
+- Aké sú obavy týkajúce sa ochrany súkromia?
+- Mám dostatok dát na vyriešenie tohto problému?
+- Sú dáta dostatočnej kvality pre tento problém?
+- Ak objavím ďalšie informácie prostredníctvom týchto dát, mali by sme zvážiť zmenu alebo predefinovanie cieľov?
+
+## Spracovanie
+
+Fáza spracovania životného cyklu sa zameriava na objavovanie vzorcov v dátach a modelovanie. Niektoré techniky používané v tejto fáze vyžadujú štatistické metódy na odhalenie vzorcov. Typicky by to bola únavná úloha pre človeka pri práci s veľkým dátovým súborom, preto sa spoliehame na počítače, ktoré urýchlia proces. Táto fáza je tiež miestom, kde sa dátová veda a strojové učenie prelínajú. Ako ste sa naučili v prvej lekcii, strojové učenie je proces budovania modelov na pochopenie dát. Modely predstavujú vzťah medzi premennými v dátach, ktoré pomáhajú predpovedať výsledky.
+
+Bežné techniky používané v tejto fáze sú pokryté v učebných materiáloch o strojovom učení. Nasledujte odkazy, aby ste sa o nich dozvedeli viac:
+
+- [Klasifikácia](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organizovanie dát do kategórií pre efektívnejšie využitie.
+- [Zhlukovanie](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Zoskupovanie dát do podobných skupín.
+- [Regresia](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Určenie vzťahov medzi premennými na predpovedanie alebo prognózovanie hodnôt.
+
+## Údržba
+
+Na diagrame životného cyklu ste si mohli všimnúť, že údržba sa nachádza medzi zberom a spracovaním. Údržba je nepretržitý proces spravovania, ukladania a zabezpečovania dát počas celého procesu projektu a mala by byť zohľadnená počas celej doby trvania projektu.
+
+### Ukladanie dát
+Úvahy o tom, ako a kde sú dáta uložené, môžu ovplyvniť náklady na ich ukladanie, ako aj výkon pri ich prístupe. Takéto rozhodnutia pravdepodobne neurobí dátový vedec sám, ale môže sa ocitnúť v situácii, keď bude musieť robiť rozhodnutia o tom, ako s dátami pracovať na základe spôsobu ich uloženia.
+
+Tu sú niektoré aspekty moderných systémov na ukladanie dát, ktoré môžu ovplyvniť tieto rozhodnutia:
+
+**On-premise vs off-premise vs verejný alebo súkromný cloud**
+
+On-premise označuje hosťovanie a spravovanie dát na vlastnom zariadení, napríklad vlastnenie servera s pevnými diskami, ktoré ukladajú dáta, zatiaľ čo off-premise sa spolieha na zariadenia, ktoré nevlastníte, ako napríklad dátové centrum. Verejný cloud je populárnou voľbou na ukladanie dát, ktorá nevyžaduje znalosť toho, ako alebo kde presne sú dáta uložené, pričom verejný označuje jednotnú základnú infraštruktúru, ktorú zdieľajú všetci používatelia cloudu. Niektoré organizácie majú prísne bezpečnostné politiky, ktoré vyžadujú úplný prístup k zariadeniam, kde sú dáta hosťované, a spoliehajú sa na súkromný cloud, ktorý poskytuje vlastné cloudové služby. O dátach v cloude sa dozviete viac v [neskorších lekciách](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Studené vs horúce dáta**
+
+Pri trénovaní modelov môžete potrebovať viac tréningových dát. Ak ste spokojní so svojím modelom, prídu ďalšie dáta, aby model mohol plniť svoj účel. V každom prípade sa náklady na ukladanie a prístup k dátam zvýšia, keď ich budete zhromažďovať viac. Oddelenie zriedkavo používaných dát, známych ako studené dáta, od často prístupných horúcich dát môže byť lacnejšou možnosťou ukladania dát prostredníctvom hardvérových alebo softvérových služieb. Ak je potrebné pristúpiť k studeným dátam, môže to trvať o niečo dlhšie v porovnaní s horúcimi dátami.
+
+### Spravovanie dát
+Pri práci s dátami môžete zistiť, že niektoré dáta je potrebné vyčistiť pomocou techník pokrytých v lekcii zameranej na [prípravu dát](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), aby ste mohli vytvárať presné modely. Keď prídu nové dáta, budú potrebovať rovnaké aplikácie na udržanie konzistencie v kvalite. Niektoré projekty budú zahŕňať použitie automatizovaného nástroja na čistenie, agregáciu a kompresiu predtým, ako sa dáta presunú na svoje konečné miesto. Príkladom jedného z týchto nástrojov je Azure Data Factory.
+
+### Zabezpečenie dát
+Jedným z hlavných cieľov zabezpečenia dát je zabezpečiť, aby tí, ktorí s nimi pracujú, mali kontrolu nad tým, čo sa zhromažďuje a v akom kontexte sa to používa. Udržiavanie dát v bezpečí zahŕňa obmedzenie prístupu len na tých, ktorí ho potrebujú, dodržiavanie miestnych zákonov a predpisov, ako aj udržiavanie etických štandardov, ako je uvedené v [lekcii o etike](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Tu sú niektoré kroky, ktoré môže tím podniknúť s ohľadom na bezpečnosť:
+- Overiť, že všetky dáta sú šifrované
+- Poskytnúť zákazníkom informácie o tom, ako sa ich dáta používajú
+- Odobrať prístup k dátam tým, ktorí projekt opustili
+- Povoliť len určitým členom projektu meniť dáta
+
+## 🚀 Výzva
+
+Existuje mnoho verzií životného cyklu dátovej vedy, kde každý krok môže mať rôzne názvy a počet fáz, ale bude obsahovať rovnaké procesy uvedené v tejto lekcii.
+
+Preskúmajte [životný cyklus procesu tímovej dátovej vedy](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) a [štandardný proces pre dolovanie dát naprieč odvetviami](https://www.datascience-pm.com/crisp-dm-2/). Pomenujte 3 podobnosti a rozdiely medzi nimi.
+
+|Proces tímovej dátovej vedy (TDSP)|Štandardný proces pre dolovanie dát naprieč odvetviami (CRISP-DM)|
+|--|--|
+|![Životný cyklus tímovej dátovej vedy](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sk.png) | ![Obrázok procesu dátovej vedy](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sk.png) |
+| Obrázok od [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Obrázok od [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Kvíz po prednáške](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Prehľad a samoštúdium
+
+Aplikovanie životného cyklu dátovej vedy zahŕňa viacero rolí a úloh, kde sa niektorí môžu zamerať na konkrétne časti každej fázy. Proces tímovej dátovej vedy poskytuje niekoľko zdrojov, ktoré vysvetľujú typy rolí a úloh, ktoré môže niekto v projekte mať.
+
+* [Roly a úlohy v procese tímovej dátovej vedy](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)  
+* [Vykonávanie úloh dátovej vedy: prieskum, modelovanie a nasadenie](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Zadanie
+
+[Hodnotenie dátového súboru](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/sk/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..3e8c61a0
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:28:12+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Posúdenie datasetu
+
+Klient sa obrátil na váš tím s prosbou o pomoc pri skúmaní sezónnych výdavkov zákazníkov taxislužby v New Yorku.
+
+Chcú vedieť: **Dávajú pasažieri žltých taxíkov v New Yorku vodičom vyššie prepitné v zime alebo v lete?**
+
+Váš tím sa nachádza v [fáze Zberu](Readme.md#Capturing) životného cyklu dátovej vedy a vy ste zodpovední za spracovanie datasetu. Dostali ste notebook a [dáta](../../../../data/taxi.csv) na preskúmanie.
+
+V tomto adresári sa nachádza [notebook](notebook.ipynb), ktorý používa Python na načítanie údajov o jazdách žltých taxíkov od [Komisie pre taxíky a limuzíny NYC](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets).
+Taxi súbor môžete otvoriť aj v textovom editore alebo tabuľkovom softvéri, ako je Excel.
+
+## Pokyny
+
+- Posúďte, či údaje v tomto datasete môžu pomôcť odpovedať na otázku.
+- Preskúmajte [katalóg NYC Open Data](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identifikujte ďalší dataset, ktorý by mohol byť užitočný pri odpovedaní na otázku klienta.
+- Napíšte 3 otázky, ktoré by ste položili klientovi na lepšie objasnenie a pochopenie problému.
+
+Odkážte na [slovník datasetu](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) a [užívateľskú príručku](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pre viac informácií o dátach.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | ---
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/sk/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..9fa3fdef
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,60 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:29:50+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "sk"
+}
+-->
+# Životný cyklus dátovej vedy: Analýza
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Životný cyklus dátovej vedy: Analýza - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## Kvíz pred prednáškou
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Analýza v životnom cykle dát potvrdzuje, že dáta dokážu odpovedať na položené otázky alebo vyriešiť konkrétny problém. Tento krok sa môže tiež zamerať na potvrdenie, že model správne rieši tieto otázky a problémy. Táto lekcia sa sústreďuje na prieskumnú analýzu dát (Exploratory Data Analysis, EDA), čo sú techniky na definovanie vlastností a vzťahov v rámci dát a ich prípravu na modelovanie.
+
+Použijeme príkladovú dátovú sadu z [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), aby sme ukázali, ako to možno aplikovať pomocou Pythonu a knižnice Pandas. Táto dátová sada obsahuje počty niektorých bežných slov nachádzajúcich sa v e-mailoch, pričom zdroje týchto e-mailov sú anonymné. Použite [notebook](notebook.ipynb) v tomto adresári na sledovanie postupu.
+
+## Prieskumná analýza dát
+
+Fáza zachytávania v životnom cykle je miestom, kde sa získavajú dáta, ako aj problémy a otázky, ktoré treba riešiť. Ale ako zistíme, či dáta môžu podporiť konečný výsledok? 
+Pripomeňme si, že dátový vedec môže klásť nasledujúce otázky pri získavaní dát:
+-   Mám dostatok dát na vyriešenie tohto problému?
+-   Sú dáta dostatočne kvalitné pre tento problém?
+-   Ak objavím ďalšie informácie prostredníctvom týchto dát, mali by sme zvážiť zmenu alebo predefinovanie cieľov?
+Prieskumná analýza dát je proces spoznávania dát a môže byť použitá na zodpovedanie týchto otázok, ako aj na identifikáciu výziev pri práci s dátovou sadou. Poďme sa zamerať na niektoré techniky používané na dosiahnutie tohto cieľa.
+
+## Profilovanie dát, popisná štatistika a Pandas
+Ako zhodnotíme, či máme dostatok dát na vyriešenie problému? Profilovanie dát môže zhrnúť a zhromaždiť niektoré všeobecné informácie o našej dátovej sade prostredníctvom techník popisnej štatistiky. Profilovanie dát nám pomáha pochopiť, čo máme k dispozícii, a popisná štatistika nám pomáha pochopiť, koľko toho máme.
+
+V niektorých predchádzajúcich lekciách sme použili Pandas na poskytnutie popisnej štatistiky pomocou funkcie [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Táto funkcia poskytuje počet, maximálne a minimálne hodnoty, priemer, štandardnú odchýlku a kvantily pre numerické dáta. Použitie popisnej štatistiky, ako je funkcia `describe()`, vám môže pomôcť posúdiť, koľko dát máte a či potrebujete viac.
+
+## Vzorkovanie a dotazovanie
+Preskúmanie všetkého v rozsiahlej dátovej sade môže byť veľmi časovo náročné a zvyčajne je to úloha, ktorú vykonáva počítač. Vzorkovanie je však užitočný nástroj na pochopenie dát a umožňuje nám lepšie pochopiť, čo sa v dátovej sade nachádza a čo reprezentuje. Pomocou vzorky môžete aplikovať pravdepodobnosť a štatistiku na dosiahnutie všeobecných záverov o vašich dátach. Hoci neexistuje presne definované pravidlo, koľko dát by ste mali vzorkovať, je dôležité si uvedomiť, že čím viac dát vzorkujete, tým presnejšiu generalizáciu môžete o dátach urobiť. 
+Pandas má vo svojej knižnici funkciu [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), kde môžete zadať argument o tom, koľko náhodných vzoriek chcete získať a použiť.
+
+Všeobecné dotazovanie dát vám môže pomôcť odpovedať na niektoré všeobecné otázky a teórie, ktoré môžete mať. Na rozdiel od vzorkovania vám dotazy umožňujú mať kontrolu a zamerať sa na konkrétne časti dát, na ktoré máte otázky. 
+Funkcia [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) v knižnici Pandas vám umožňuje vybrať stĺpce a získať jednoduché odpovede o dátach prostredníctvom získaných riadkov.
+
+## Preskúmanie pomocou vizualizácií
+Nemusíte čakať, kým budú dáta dôkladne vyčistené a analyzované, aby ste mohli začať vytvárať vizualizácie. V skutočnosti môže mať vizuálne znázornenie počas preskúmavania dát pomôcť identifikovať vzory, vzťahy a problémy v dátach. Navyše, vizualizácie poskytujú spôsob komunikácie s tými, ktorí nie sú zapojení do správy dát, a môžu byť príležitosťou na zdieľanie a objasnenie ďalších otázok, ktoré neboli riešené vo fáze zachytávania. Pozrite si [sekciu o vizualizáciách](../../../../../../../../../3-Data-Visualization), aby ste sa dozvedeli viac o niektorých populárnych spôsoboch vizuálneho preskúmavania.
+
+## Preskúmanie na identifikáciu nekonzistencií
+Všetky témy v tejto lekcii môžu pomôcť identifikovať chýbajúce alebo nekonzistentné hodnoty, ale Pandas poskytuje funkcie na kontrolu niektorých z nich. [isna() alebo isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) môžu skontrolovať chýbajúce hodnoty. Jedným z dôležitých aspektov preskúmavania týchto hodnôt vo vašich dátach je preskúmať, prečo sa tam vôbec dostali. To vám môže pomôcť rozhodnúť sa, aké [kroky podniknúť na ich vyriešenie](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Zadanie
+
+[Preskúmanie pre odpovede](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/sk/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..5d9e49a7
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:31:51+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Hľadanie odpovedí
+
+Toto je pokračovanie [zadania](../14-Introduction/assignment.md) z predchádzajúcej lekcie, kde sme si stručne prezreli dátovú sadu. Teraz sa na dáta pozrieme podrobnejšie.
+
+Otázka, na ktorú chce klient poznať odpoveď: **Dávajú cestujúci v žltých taxíkoch v New Yorku vodičom vyššie prepitné v zime alebo v lete?**
+
+Váš tím sa nachádza vo fáze [Analyzovania](README.md) životného cyklu dátovej vedy, kde máte na starosti vykonanie prieskumnej analýzy dát na poskytnutej dátovej sade. Dostali ste notebook a dátovú sadu obsahujúcu 200 transakcií z taxíkov z januára a júla 2019.
+
+## Pokyny
+
+V tomto adresári sa nachádza [notebook](assignment.ipynb) a dáta od [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Odkážte sa na [slovník dátovej sady](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) a [užívateľskú príručku](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) pre viac informácií o dátach.
+
+Použite niektoré techniky z tejto lekcie na vykonanie vlastnej prieskumnej analýzy dát v notebooku (pridajte bunky, ak je to potrebné) a odpovedzte na nasledujúce otázky:
+
+- Aké ďalšie faktory v dátach by mohli ovplyvniť výšku prepitného?
+- Ktoré stĺpce pravdepodobne nebudú potrebné na zodpovedanie otázok klienta?
+- Na základe doteraz poskytnutých informácií, poskytujú dáta nejaké dôkazy o sezónnom správaní pri dávaní prepitného?
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | ---
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/16-communication/README.md b/translations/sk/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..8692f04f
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,218 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:36:13+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "sk"
+}
+-->
+# Životný cyklus dátovej vedy: Komunikácia
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Životný cyklus dátovej vedy: Komunikácia - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Otestujte si svoje vedomosti o tom, čo vás čaká, pomocou kvízu pred prednáškou vyššie!
+
+# Úvod
+
+### Čo je komunikácia?
+Začnime túto lekciu definovaním, čo znamená komunikovať. **Komunikovať znamená sprostredkovať alebo vymieňať si informácie.** Informácie môžu byť nápady, myšlienky, pocity, správy, skryté signály, dáta – čokoľvek, čo chce **_odosielateľ_** (ten, kto posiela informácie) sprostredkovať **_prijímateľovi_** (ten, kto prijíma informácie). V tejto lekcii budeme odosielateľov nazývať komunikátormi a prijímateľov publikom.
+
+### Komunikácia dát a rozprávanie príbehov
+Chápeme, že cieľom komunikácie je sprostredkovať alebo vymieňať si informácie. Ale pri komunikácii dát by vaším cieľom nemalo byť len odovzdanie čísel publiku. Vaším cieľom by malo byť sprostredkovať príbeh, ktorý je podložený vašimi dátami – efektívna komunikácia dát a rozprávanie príbehov idú ruka v ruke. Vaše publikum si skôr zapamätá príbeh, ktorý rozprávate, než čísla, ktoré uvádzate. Neskôr v tejto lekcii si prejdeme niekoľko spôsobov, ako môžete pomocou rozprávania príbehov efektívnejšie komunikovať svoje dáta.
+
+### Typy komunikácie
+V priebehu tejto lekcie budeme diskutovať o dvoch rôznych typoch komunikácie: jednosmerná komunikácia a obojsmerná komunikácia.
+
+**Jednosmerná komunikácia** nastáva, keď odosielateľ posiela informácie prijímateľovi bez akejkoľvek spätnej väzby alebo odpovede. Príklady jednosmernej komunikácie vidíme každý deň – hromadné e-maily, správy prinášajúce najnovšie udalosti, alebo televízne reklamy, ktoré vás informujú o tom, prečo je ich produkt skvelý. V každom z týchto prípadov odosielateľ nehľadá výmenu informácií, ale iba ich sprostredkovanie.
+
+**Obojsmerná komunikácia** nastáva, keď všetky zúčastnené strany pôsobia ako odosielatelia aj prijímatelia. Odosielateľ začne komunikovať s prijímateľom, ktorý poskytne spätnú väzbu alebo odpoveď. Obojsmerná komunikácia je to, čo si tradične predstavujeme pod pojmom komunikácia. Zvyčajne si predstavujeme ľudí zapojených do rozhovoru – či už osobne, cez telefón, sociálne médiá alebo textové správy.
+
+Pri komunikácii dát sa stretnete s prípadmi, keď budete používať jednosmernú komunikáciu (napríklad pri prezentácii na konferencii alebo pred veľkou skupinou, kde sa otázky nebudú klásť priamo po prezentácii) a prípadmi, keď budete používať obojsmernú komunikáciu (napríklad pri presviedčaní niekoľkých zainteresovaných strán na podporu projektu alebo pri presviedčaní kolegu, že by sa mal investovať čas a úsilie do vytvorenia niečoho nového).
+
+# Efektívna komunikácia
+
+### Vaše povinnosti ako komunikátora
+Pri komunikácii je vašou úlohou zabezpečiť, aby si prijímatelia odniesli informácie, ktoré chcete, aby si odniesli. Pri komunikácii dát nechcete, aby si prijímatelia odniesli len čísla, ale aby si odniesli príbeh, ktorý je podložený vašimi dátami. Dobrý komunikátor dát je dobrý rozprávač príbehov.
+
+Ako rozprávať príbeh pomocou dát? Existuje nekonečne veľa spôsobov – ale nižšie je uvedených 6, o ktorých budeme hovoriť v tejto lekcii.
+1.	Pochopte svoje publikum, svoj kanál a svoju metódu komunikácie
+2.	Začnite s cieľom na mysli
+3.	Pristupujte k tomu ako k skutočnému príbehu
+4.	Používajte zmysluplné slová a frázy
+5.	Používajte emócie
+
+Každá z týchto stratégií je podrobnejšie vysvetlená nižšie.
+
+### 1. Pochopte svoje publikum, svoj kanál a svoju metódu komunikácie
+Spôsob, akým komunikujete s členmi rodiny, sa pravdepodobne líši od spôsobu, akým komunikujete s priateľmi. Pravdepodobne používate rôzne slová a frázy, ktoré sú pre ľudí, s ktorými hovoríte, zrozumiteľnejšie. Rovnaký prístup by ste mali zvoliť pri komunikácii dát. Premýšľajte o tom, komu komunikujete. Premýšľajte o ich cieľoch a kontexte, ktorý majú v súvislosti so situáciou, ktorú im vysvetľujete.
+
+Vaše publikum môžete pravdepodobne zaradiť do jednej z kategórií. V článku _Harvard Business Review_ „[Ako rozprávať príbeh pomocou dát](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)“ výkonný stratég spoločnosti Dell Jim Stikeleather identifikuje päť kategórií publika:
+
+ - **Nováčik**: prvý kontakt s témou, ale nechce prílišné zjednodušenie
+ - **Generalista**: oboznámený s témou, ale hľadá prehľad a hlavné témy
+ - **Manažér**: hĺbkové, akčné pochopenie zložitostí a vzájomných vzťahov s prístupom k detailom
+ - **Expert**: viac skúmania a objavovania, menej rozprávania príbehov, s veľkým dôrazom na detaily
+ - **Vedúci pracovník**: má čas len na pochopenie významu a záverov vážených pravdepodobností
+
+Tieto kategórie môžu ovplyvniť spôsob, akým prezentujete dáta svojmu publiku.
+
+Okrem toho, že premýšľate o kategórii svojho publika, mali by ste zvážiť aj kanál, ktorý používate na komunikáciu s publikom. Váš prístup by mal byť mierne odlišný, ak píšete poznámku alebo e-mail, oproti tomu, keď máte stretnutie alebo prezentujete na konferencii.
+
+Na vrchole pochopenia svojho publika je tiež dôležité vedieť, akým spôsobom s ním budete komunikovať (jednosmerne alebo obojsmerne).
+
+Ak komunikujete s väčšinou publika, ktoré je nováčikom, a používate jednosmernú komunikáciu, musíte najskôr publikum vzdelávať a poskytnúť mu správny kontext. Potom im musíte prezentovať svoje dáta, vysvetliť, čo znamenajú a prečo sú dôležité. V tomto prípade by ste sa mali zamerať na jasnosť, pretože vaše publikum nebude môcť klásť priame otázky.
+
+Ak komunikujete s väčšinou publika, ktoré je manažérske, a používate obojsmernú komunikáciu, pravdepodobne nebudete musieť svoje publikum vzdelávať ani mu poskytovať veľa kontextu. Môžete sa rovno pustiť do diskusie o dátach, ktoré ste zhromaždili, a prečo sú dôležité. V tomto scenári by ste sa však mali zamerať na načasovanie a kontrolu svojej prezentácie. Pri obojsmernej komunikácii (najmä s manažérskym publikom, ktoré hľadá „akčné pochopenie zložitostí a vzájomných vzťahov s prístupom k detailom“) sa môžu počas interakcie objaviť otázky, ktoré môžu diskusiu odviesť od príbehu, ktorý sa snažíte rozprávať. Keď sa to stane, môžete zasiahnuť a vrátiť diskusiu späť na správnu cestu.
+
+### 2. Začnite s cieľom na mysli
+Začať s cieľom na mysli znamená pochopiť, aké závery chcete, aby si vaše publikum odnieslo, ešte predtým, než s ním začnete komunikovať. Premyslenie toho, čo chcete, aby si vaše publikum odnieslo, vám môže pomôcť vytvoriť príbeh, ktorý bude vaše publikum schopné sledovať. Začať s cieľom na mysli je vhodné pre jednosmernú aj obojsmernú komunikáciu.
+
+Ako začať s cieľom na mysli? Pred komunikáciou svojich dát si zapíšte svoje kľúčové závery. Potom sa pri každom kroku prípravy príbehu, ktorý chcete rozprávať pomocou svojich dát, pýtajte sami seba: „Ako to zapadá do príbehu, ktorý rozprávam?“
+
+Buďte si vedomí – zatiaľ čo začať s cieľom na mysli je ideálne, nechcete komunikovať len dáta, ktoré podporujú vaše zamýšľané závery. Toto sa nazýva selektívne vyberanie, ktoré nastáva, keď komunikátor komunikuje len dáta, ktoré podporujú jeho závery, a ignoruje všetky ostatné dáta.
+
+Ak všetky dáta, ktoré ste zhromaždili, jasne podporujú vaše závery, skvelé. Ale ak existujú dáta, ktoré nepodporujú vaše závery alebo dokonca podporujú argument proti vašim záverom, mali by ste komunikovať aj tieto dáta. Ak sa to stane, buďte úprimní voči svojmu publiku a vysvetlite, prečo sa rozhodujete držať svojho príbehu, aj keď všetky dáta ho úplne nepodporujú.
+
+### 3. Pristupujte k tomu ako k skutočnému príbehu
+Tradičný príbeh sa odohráva v 5 fázach. Možno ste tieto fázy počuli vyjadrené ako Expozícia, Stúpajúca akcia, Vyvrcholenie, Klesajúca akcia a Rozuzlenie. Alebo jednoduchšie zapamätateľné: Kontext, Konflikt, Vyvrcholenie, Uzavretie, Záver. Pri komunikácii svojich dát a príbehu môžete použiť podobný prístup.
+
+Môžete začať kontextom, nastaviť scénu a zabezpečiť, aby vaše publikum bolo na rovnakej vlne. Potom predstavte konflikt. Prečo ste potrebovali zhromaždiť tieto dáta? Aké problémy ste sa snažili vyriešiť? Potom prichádza vyvrcholenie. Aké sú dáta? Čo znamenajú? Aké riešenia nám dáta naznačujú? Potom prichádza uzavretie, kde môžete zopakovať problém a navrhované riešenia. Nakoniec prichádza záver, kde môžete zhrnúť svoje kľúčové závery a odporučiť ďalšie kroky, ktoré by tím mal podniknúť.
+
+### 4. Používajte zmysluplné slová a frázy
+Ak by sme spolupracovali na produkte a ja by som vám povedal: „Naši používatelia potrebujú dlhý čas na onboarding na našu platformu,“ ako dlho by ste odhadovali, že „dlhý čas“ znamená? Hodinu? Týždeň? Je ťažké to vedieť. Čo ak by som to povedal celému publiku? Každý v publiku by mohol mať inú predstavu o tom, ako dlho trvá onboarding na našu platformu.
+
+Namiesto toho, čo ak by som povedal: „Naši používatelia potrebujú v priemere 3 minúty na registráciu a onboarding na našu platformu.“
+
+Táto správa je jasnejšia. Pri komunikácii dát môže byť ľahké myslieť si, že všetci v publiku myslia rovnako ako vy. Ale to nie je vždy pravda. Jasnosť okolo vašich dát a ich významu je jednou z vašich povinností ako komunikátora. Ak dáta alebo váš príbeh nie sú jasné, vaše publikum bude mať problém sledovať a je menej pravdepodobné, že pochopí vaše kľúčové závery.
+
+Dáta môžete komunikovať jasnejšie, keď používate zmysluplné slová a frázy namiesto nejasných. Nižšie je uvedených niekoľko príkladov.
+
+ - Mali sme *impozantný* rok!
+	 - Jeden človek si môže myslieť, že impozantný znamená 2% - 3% nárast príjmov, a iný si môže myslieť, že to znamená 50% - 60% nárast.
+ - Úspešnosť našich používateľov sa *dramaticky* zvýšila.
+	 - Aký veľký nárast je dramatický nárast?
+ - Tento projekt si vyžaduje *významné* úsilie.
+	 - Koľko úsilia je významné?
+
+Používanie nejasných slov môže byť užitočné ako úvod k ďalším dátam, ktoré prichádzajú, alebo ako zhrnutie príbehu, ktorý ste práve rozprávali. Ale zvážte zabezpečenie toho, aby každá časť vašej prezentácie bola jasná pre vaše publikum.
+
+### 5. Používajte emócie
+Emócie sú kľúčové pri rozprávaní príbehov. Sú ešte dôležitejšie, keď rozprávate príbeh pomocou dát. Pri komunikácii dát je všetko zamerané na závery, ktoré chcete, aby si vaše publikum odnieslo. Keď vyvoláte emóciu u publika, pomáha im to vcítiť sa a zvyšuje pravdepodobnosť, že podniknú kroky. Emócie tiež zvyšujú pravdepodobnosť, že si publikum zapamätá vašu správu.
+
+Možno ste sa s tým už stretli pri televíznych reklamách. Niektoré reklamy sú veľmi vážne a používajú smutné emócie na spojenie s publikom a na to, aby dáta, ktoré prezentujú, naozaj vynikli. Alebo niektoré reklamy sú veľmi veselé a šťastné, čo môže spôsobiť, že si ich dáta spojíte s pozitívnym pocitom.
+
+Ako používať emócie pri komunikácii dát? Nižšie sú uvedené niektoré spôsoby.
+
+ - Používajte svedectvá a osobné príbehy
+	- Pri zhromažďovaní dát sa snažte zhromaždiť kvantitatívne aj kvalitatívne dáta a integrovať oba typy dát pri komunikácii. Ak sú vaše dáta primárne kvantitatívne, hľadajte príbehy od jednotlivcov, aby ste sa dozvedeli viac o ich skúsenostiach s tým, čo vaše dáta hovoria.
+ - Používajte obrazové materiály
+	 - Obrázky pomáhajú publiku vidieť sa v danej situácii. Keď používate obrázky, môžete publikum nasmerovať k emócii, ktorú by podľa vás mali mať o vašich dátach.
+ - Používajte farby
+	 - Rôzne farby vyvolávajú rôzne emócie. Populárne farby a emócie, ktoré vyvolávajú, sú uvedené nižšie. Buďte si vedomí, že farby môžu mať v rôznych kultúrach rôzne významy.
+		 - Modrá zvyčajne vyvoláva pocity pokoja a dôvery
+		 - Zelená sa zvyčajne spája s prírodou a životným prostredím
+		 - Červená zvyčajne znamená vášeň a vzrušenie
+		 - Žltá zvyčajne evokuje optimizmus a šťastie
+
+# Prípadová štúdia komunikácie
+Emerson je produktový manažér mobilnej aplikácie. Emerson si všimol, že zákazníci podávajú o 42% viac sťažností a hlásení chýb cez víkendy. Emerson si tiež všimol, že zákazníci, ktorí podajú sťažnosť, ktorá zostane nezodpovedaná po dobu 48 hodín, majú o 32% vyššiu pravdepodobnosť, že aplikácii dajú hodnotenie 1 alebo 2 v obchode s aplikáciami.
+
+Po vykonaní výskumu má Emerson niekoľko riešení, ktoré by mohli tento problém vyriešiť. Emerson si naplánuje 30-minútové stretnutie s tromi vedúcimi spoločnosti, aby komunikoval dáta a navrhované riešenia.
+
+Po
+Na stretnutí Emerson strávil 5 minút vysvetľovaním, prečo je nízke hodnotenie v obchode s aplikáciami problém, 10 minút opisovaním výskumného procesu a spôsobu identifikácie trendov, 10 minút prechádzaním niektorých nedávnych sťažností zákazníkov a posledných 5 minút povrchným predstavením dvoch možných riešení.
+
+Bol toto efektívny spôsob, ako Emerson komunikoval počas tohto stretnutia?
+
+Počas stretnutia sa jeden z vedúcich spoločnosti zameral na 10 minút sťažností zákazníkov, ktoré Emerson prešiel. Po stretnutí boli tieto sťažnosti jedinou vecou, ktorú si tento vedúci tímu zapamätal. Ďalší vedúci spoločnosti sa primárne sústredil na Emersonov opis výskumného procesu. Tretí vedúci si síce pamätal riešenia, ktoré Emerson navrhol, ale nebol si istý, ako by sa tieto riešenia dali implementovať.
+
+V uvedenej situácii je zrejmé, že existoval významný rozdiel medzi tým, čo chcel Emerson, aby si vedúci tímov zo stretnutia odniesli, a tým, čo si skutočne odniesli. Nižšie je uvedený iný prístup, ktorý by Emerson mohol zvážiť.
+
+Ako by mohol Emerson tento prístup zlepšiť?  
+Kontext, Konflikt, Vyvrcholenie, Uzavretie, Záver  
+**Kontext** – Emerson by mohol stráviť prvých 5 minút predstavením celej situácie a zabezpečením, že vedúci tímov pochopia, ako problémy ovplyvňujú metriky, ktoré sú pre spoločnosť kľúčové, ako napríklad príjmy.
+
+Mohlo by to byť predstavené takto: „V súčasnosti má naša aplikácia hodnotenie 2,5 v obchode s aplikáciami. Hodnotenia v obchode s aplikáciami sú kľúčové pre optimalizáciu viditeľnosti aplikácie, čo ovplyvňuje, koľko používateľov našu aplikáciu nájde vo vyhľadávaní a ako ju vnímajú potenciálni používatelia. A samozrejme, počet používateľov priamo súvisí s príjmami.“
+
+**Konflikt** Emerson by potom mohol prejsť na rozprávanie o konflikte počas nasledujúcich 5 minút.
+
+Mohlo by to znieť takto: „Používatelia podávajú o 42 % viac sťažností a hlásení chýb počas víkendov. Zákazníci, ktorí podajú sťažnosť, ktorá zostane nezodpovedaná viac ako 48 hodín, majú o 32 % menšiu pravdepodobnosť, že dajú našej aplikácii hodnotenie vyššie ako 2 v obchode s aplikáciami. Zlepšenie hodnotenia našej aplikácie na 4 by zvýšilo našu viditeľnosť o 20-30 %, čo podľa mojich odhadov zvýši príjmy o 10 %.“ Samozrejme, Emerson by mal byť pripravený tieto čísla obhájiť.
+
+**Vyvrcholenie** Po vytvorení základov by Emerson mohol prejsť na vyvrcholenie na približne 5 minút.
+
+Emerson by mohol predstaviť navrhované riešenia, vysvetliť, ako tieto riešenia adresujú uvedené problémy, ako by sa dali implementovať do existujúcich pracovných postupov, koľko by riešenia stáli, aký by bol ich návrat investície (ROI), a možno dokonca ukázať niekoľko snímok obrazovky alebo návrhov, ako by riešenia vyzerali po implementácii. Emerson by mohol tiež zdieľať svedectvá od používateľov, ktorých sťažnosti boli riešené po viac ako 48 hodinách, a dokonca aj svedectvo od súčasného zástupcu zákazníckeho servisu v spoločnosti, ktorý by sa vyjadril k aktuálnemu systému spracovania tiketov.
+
+**Uzavretie** Teraz by Emerson mohol stráviť 5 minút opätovným zhrnutím problémov, ktorým spoločnosť čelí, znovu prejsť navrhované riešenia a zopakovať, prečo sú tieto riešenia správne.
+
+**Záver** Keďže ide o stretnutie s niekoľkými zainteresovanými stranami, kde sa bude používať obojsmerná komunikácia, Emerson by si mohol naplánovať 10 minút na otázky, aby sa uistil, že všetko, čo bolo pre vedúcich tímov nejasné, bude objasnené pred koncom stretnutia.
+
+Ak by Emerson použil prístup č. 2, je oveľa pravdepodobnejšie, že si vedúci tímov zo stretnutia odnesú presne to, čo Emerson zamýšľal – že spôsob, akým sa riešia sťažnosti a chyby, by sa mohol zlepšiť, a existujú 2 riešenia, ktoré by mohli byť zavedené na dosiahnutie tohto zlepšenia. Tento prístup by bol oveľa efektívnejší na komunikáciu údajov a príbehu, ktorý chce Emerson odovzdať.
+
+# Záver  
+### Zhrnutie hlavných bodov  
+- Komunikovať znamená sprostredkovať alebo vymieňať si informácie.  
+- Pri komunikácii údajov by vaším cieľom nemalo byť len odovzdanie čísel publiku. Vaším cieľom by malo byť sprostredkovať príbeh, ktorý je podložený vašimi údajmi.  
+- Existujú 2 typy komunikácie: jednosmerná komunikácia (informácie sa odovzdávajú bez očakávania odpovede) a obojsmerná komunikácia (informácie sa odovzdávajú tam a späť).  
+- Existuje mnoho stratégií, ktoré môžete použiť na rozprávanie príbehu pomocou údajov. 5 stratégií, ktoré sme prešli, sú:  
+  - Pochopte svoje publikum, médium a spôsob komunikácie  
+  - Začnite s cieľom na mysli  
+  - Pristupujte k tomu ako k skutočnému príbehu  
+  - Používajte zmysluplné slová a frázy  
+  - Používajte emócie  
+
+### Odporúčané zdroje na samoštúdium  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Preskúmajte, čo ste sa práve naučili, pomocou vyššie uvedeného kvízu!  
+
+## Zadanie  
+
+[Market Research](assignment.md)  
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/sk/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..782815ea
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:40:18+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Rozprávaj príbeh
+
+## Pokyny
+
+Data Science je predovšetkým o rozprávaní príbehov. Vyberte si akúkoľvek množinu údajov a napíšte krátky článok o príbehu, ktorý by ste o nej mohli rozprávať. Čo dúfate, že vaša množina údajov odhalí? Čo urobíte, ak sa jej odhalenia ukážu ako problematické? Čo ak vaša množina údajov neodhalí svoje tajomstvá ľahko? Premyslite si scenáre, ktoré by vaša množina údajov mohla predstaviť, a zapíšte ich.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | --- |
+
+Jednostranová esej je prezentovaná vo formáte .doc, množina údajov je vysvetlená, zdokumentovaná, uvedený je zdroj a je prezentovaný súvislý príbeh s podrobnými príkladmi z údajov. | Kratšia esej je prezentovaná v menej podrobnom formáte. | Esej postráda niektorý z vyššie uvedených detailov.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/4-Data-Science-Lifecycle/README.md b/translations/sk/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..82e8a7b2
--- /dev/null
+++ b/translations/sk/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:21:00+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "sk"
+}
+-->
+# Životný cyklus dátovej vedy
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sk.jpg)
+> Foto od <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> na <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+V týchto lekciách preskúmate niektoré aspekty životného cyklu dátovej vedy, vrátane analýzy a komunikácie o dátach.
+
+### Témy
+
+1. [Úvod](14-Introduction/README.md)
+2. [Analýza](15-analyzing/README.md)
+3. [Komunikácia](16-communication/README.md)
+
+### Autori
+
+Tieto lekcie boli napísané s ❤️ [Jalenom McGee](https://twitter.com/JalenMCG) a [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/sk/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..2abd4590
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,113 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:07:15+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "sk"
+}
+-->
+# Úvod do dátovej vedy v cloude
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Dátová veda v cloude: Úvod - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+V tejto lekcii sa naučíte základné princípy cloudu, zistíte, prečo môže byť pre vás zaujímavé využívať cloudové služby na realizáciu vašich projektov dátovej vedy, a pozrieme sa na niekoľko príkladov projektov dátovej vedy realizovaných v cloude.
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Čo je cloud?
+
+Cloud, alebo cloud computing, je poskytovanie širokej škály výpočtových služieb na báze platby za použitie, ktoré sú hostované na infraštruktúre cez internet. Služby zahŕňajú riešenia ako úložisko, databázy, siete, softvér, analytiku a inteligentné služby.
+
+Zvyčajne rozlišujeme verejný, súkromný a hybridný cloud nasledovne:
+
+* Verejný cloud: verejný cloud je vlastnený a prevádzkovaný treťou stranou, poskytovateľom cloudových služieb, ktorý dodáva svoje výpočtové zdroje cez internet verejnosti.
+* Súkromný cloud: označuje cloudové výpočtové zdroje používané výlučne jednou firmou alebo organizáciou, pričom služby a infraštruktúra sú udržiavané na súkromnej sieti.
+* Hybridný cloud: hybridný cloud je systém, ktorý kombinuje verejné a súkromné cloudy. Používatelia si zvolia dátové centrum na mieste, pričom umožňujú spúšťanie dát a aplikácií na jednom alebo viacerých verejných cloudoch.
+
+Väčšina cloudových výpočtových služieb spadá do troch kategórií: infraštruktúra ako služba (IaaS), platforma ako služba (PaaS) a softvér ako služba (SaaS).
+
+* Infraštuktúra ako služba (IaaS): používatelia si prenajímajú IT infraštruktúru, ako sú servery a virtuálne stroje (VM), úložisko, siete, operačné systémy.
+* Platforma ako služba (PaaS): používatelia si prenajímajú prostredie na vývoj, testovanie, doručovanie a správu softvérových aplikácií. Nemusia sa starať o nastavenie alebo správu základnej infraštruktúry serverov, úložísk, sietí a databáz potrebných na vývoj.
+* Softvér ako služba (SaaS): používatelia získavajú prístup k softvérovým aplikáciám cez internet, na požiadanie a zvyčajne na základe predplatného. Nemusia sa starať o hosting a správu softvérovej aplikácie, základnej infraštruktúry alebo údržby, ako sú aktualizácie softvéru a bezpečnostné záplaty.
+
+Medzi najväčších poskytovateľov cloudu patria Amazon Web Services, Google Cloud Platform a Microsoft Azure.
+
+## Prečo si vybrať cloud pre dátovú vedu?
+
+Vývojári a IT profesionáli si vyberajú prácu s cloudom z mnohých dôvodov, vrátane nasledujúcich:
+
+* Inovácie: môžete poháňať svoje aplikácie integráciou inovatívnych služieb vytvorených poskytovateľmi cloudu priamo do svojich aplikácií.
+* Flexibilita: platíte iba za služby, ktoré potrebujete, a môžete si vybrať z širokej škály služieb. Zvyčajne platíte podľa potreby a prispôsobujete svoje služby podľa svojich vyvíjajúcich sa potrieb.
+* Rozpočet: nemusíte robiť počiatočné investície na nákup hardvéru a softvéru, nastavenie a prevádzku dátových centier na mieste, a môžete jednoducho platiť za to, čo používate.
+* Škálovateľnosť: vaše zdroje sa môžu prispôsobiť potrebám vášho projektu, čo znamená, že vaše aplikácie môžu využívať viac alebo menej výpočtového výkonu, úložiska a šírky pásma, prispôsobujúc sa externým faktorom v danom čase.
+* Produktivita: môžete sa sústrediť na svoje podnikanie namiesto trávenia času úlohami, ktoré môže spravovať niekto iný, ako je správa dátových centier.
+* Spoľahlivosť: cloud computing ponúka niekoľko spôsobov, ako nepretržite zálohovať vaše dáta, a môžete si nastaviť plány obnovy po havárii, aby ste udržali svoje podnikanie a služby v chode aj v čase krízy.
+* Bezpečnosť: môžete ťažiť z politík, technológií a kontrol, ktoré posilňujú bezpečnosť vášho projektu.
+
+Toto sú niektoré z najbežnejších dôvodov, prečo sa ľudia rozhodujú používať cloudové služby. Teraz, keď máme lepšie pochopenie toho, čo je cloud a aké sú jeho hlavné výhody, pozrime sa konkrétnejšie na prácu dátových vedcov a vývojárov pracujúcich s dátami a na to, ako im cloud môže pomôcť s viacerými výzvami, ktorým môžu čeliť:
+
+* Ukladanie veľkého množstva dát: namiesto nákupu, správy a ochrany veľkých serverov môžete svoje dáta ukladať priamo v cloude, s riešeniami ako Azure Cosmos DB, Azure SQL Database a Azure Data Lake Storage.
+* Vykonávanie integrácie dát: integrácia dát je nevyhnutnou súčasťou dátovej vedy, ktorá vám umožňuje prejsť od zberu dát k prijímaniu opatrení. Služby integrácie dát ponúkané v cloude vám umožňujú zbierať, transformovať a integrovať dáta z rôznych zdrojov do jedného dátového skladu, s Data Factory.
+* Spracovanie dát: spracovanie obrovského množstva dát vyžaduje veľa výpočtového výkonu, a nie každý má prístup k dostatočne výkonným strojom, čo je dôvod, prečo sa mnohí rozhodnú priamo využiť obrovský výpočtový výkon cloudu na spúšťanie a nasadzovanie svojich riešení.
+* Používanie analytických služieb: cloudové služby ako Azure Synapse Analytics, Azure Stream Analytics a Azure Databricks vám pomáhajú premeniť vaše dáta na použiteľné poznatky.
+* Používanie služieb strojového učenia a dátovej inteligencie: namiesto začínania od nuly môžete používať algoritmy strojového učenia ponúkané poskytovateľom cloudu, so službami ako AzureML. Môžete tiež používať kognitívne služby, ako je prevod reči na text, text na reč, počítačové videnie a ďalšie.
+
+## Príklady dátovej vedy v cloude
+
+Poďme si to priblížiť na niekoľkých scenároch.
+
+### Analýza sentimentu na sociálnych sieťach v reálnom čase
+Začneme scenárom, ktorý je často študovaný ľuďmi začínajúcimi so strojovým učením: analýza sentimentu na sociálnych sieťach v reálnom čase.
+
+Predstavte si, že prevádzkujete spravodajský web a chcete využiť živé dáta na pochopenie toho, o aký obsah by mohli mať vaši čitatelia záujem. Aby ste to zistili, môžete vytvoriť program, ktorý vykonáva analýzu sentimentu v reálnom čase na dátach zverejnených na Twitteri, na témy, ktoré sú pre vašich čitateľov relevantné.
+
+Kľúčové ukazovatele, na ktoré sa budete pozerať, sú objem tweetov na konkrétne témy (hashtagy) a sentiment, ktorý sa určuje pomocou analytických nástrojov vykonávajúcich analýzu sentimentu na špecifikované témy.
+
+Kroky potrebné na vytvorenie tohto projektu sú nasledovné:
+
+* Vytvorte event hub na streamovanie vstupov, ktorý bude zbierať dáta z Twitteru.
+* Nakonfigurujte a spustite aplikáciu klienta Twitter, ktorá bude volať Twitter Streaming API.
+* Vytvorte Stream Analytics úlohu.
+* Špecifikujte vstup a dotaz úlohy.
+* Vytvorte výstupný cieľ a špecifikujte výstup úlohy.
+* Spustite úlohu.
+
+Celý proces si môžete pozrieť v [dokumentácii](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Analýza vedeckých článkov
+Pozrime sa na ďalší príklad projektu, ktorý vytvoril [Dmitry Soshnikov](http://soshnikov.com), jeden z autorov tohto kurzu.
+
+Dmitry vytvoril nástroj, ktorý analyzuje články o COVID-e. Preskúmaním tohto projektu uvidíte, ako môžete vytvoriť nástroj, ktorý extrahuje poznatky z vedeckých článkov, získava poznatky a pomáha výskumníkom efektívne sa orientovať v rozsiahlych zbierkach článkov.
+
+Pozrime sa na rôzne kroky použité na tento účel:
+* Extrahovanie a predspracovanie informácií pomocou [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Použitie [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) na paralelizáciu spracovania.
+* Ukladanie a dotazovanie informácií pomocou [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Vytvorenie interaktívneho dashboardu na prieskum a vizualizáciu dát pomocou Power BI.
+
+Celý proces si môžete pozrieť na [Dmitryho blogu](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Ako vidíte, cloudové služby môžeme využiť mnohými spôsobmi na realizáciu dátovej vedy.
+
+## Poznámka pod čiarou
+
+Zdroje:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Kvíz po prednáške
+
+[Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Zadanie
+
+[Prieskum trhu](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/sk/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..a71f65b3
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:10:08+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Prieskum trhu
+
+## Pokyny
+
+V tejto lekcii ste sa naučili, že existuje niekoľko významných poskytovateľov cloudových služieb. Urobte prieskum trhu, aby ste zistili, čo každý z nich môže ponúknuť dátovým vedcom. Sú ich ponuky porovnateľné? Napíšte prácu, ktorá popisuje ponuky troch alebo viacerých z týchto poskytovateľov cloudových služieb.
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Jednostranová práca popisuje ponuky troch poskytovateľov cloudových služieb pre dátovú vedu a rozlišuje medzi nimi. | Predložená je kratšia práca | Predložená práca neobsahuje kompletnú analýzu
+
+---
+
+**Zrieknutie sa zodpovednosti**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..b6571098
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,351 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T15:58:22+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science v cloude: Cesta "Low code/No code"
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Data Science v cloude: Low Code - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Obsah:
+
+- [Data Science v cloude: Cesta "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Kvíz pred prednáškou](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Úvod](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Čo je Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 Projekt predikcie zlyhania srdca:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 Dataset pre zlyhanie srdca:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Tréning modelu v Azure ML Studio pomocou Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Vytvorenie pracovného priestoru Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Výpočtové zdroje](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Výber správnych možností pre vaše výpočtové zdroje](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Vytvorenie výpočtového klastru](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Načítanie datasetu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Tréning pomocou AutoML s Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Nasadenie modelu a využitie endpointu pomocou Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Nasadenie modelu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Využitie endpointu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Výzva](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Kvíz po prednáške](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Revízia a samostatné štúdium](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Úloha](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. Úvod
+
+### 1.1 Čo je Azure Machine Learning?
+
+Platforma Azure cloud obsahuje viac ako 200 produktov a cloudových služieb navrhnutých na to, aby vám pomohli priniesť nové riešenia k životu. Dátoví vedci vynakladajú veľa úsilia na skúmanie a predspracovanie dát a skúšanie rôznych typov algoritmov na tréning modelov, aby vytvorili presné modely. Tieto úlohy sú časovo náročné a často neefektívne využívajú drahý výpočtový hardvér.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) je cloudová platforma na vytváranie a prevádzkovanie riešení strojového učenia v Azure. Obsahuje širokú škálu funkcií a možností, ktoré pomáhajú dátovým vedcom pripravovať dáta, trénovať modely, publikovať prediktívne služby a monitorovať ich používanie. Najdôležitejšie je, že im pomáha zvýšiť efektivitu automatizáciou mnohých časovo náročných úloh spojených s tréningom modelov; a umožňuje im používať cloudové výpočtové zdroje, ktoré sa efektívne škálujú na spracovanie veľkých objemov dát, pričom náklady vznikajú iba pri ich skutočnom použití.
+
+Azure ML poskytuje všetky nástroje, ktoré vývojári a dátoví vedci potrebujú pre svoje pracovné postupy strojového učenia. Patria sem:
+
+- **Azure Machine Learning Studio**: webový portál v Azure Machine Learning pre možnosti tréningu modelov, nasadenia, automatizácie, sledovania a správy aktív s nízkym alebo žiadnym kódom. Studio sa integruje s Azure Machine Learning SDK pre bezproblémový zážitok.
+- **Jupyter Notebooks**: rýchle prototypovanie a testovanie ML modelov.
+- **Azure Machine Learning Designer**: umožňuje ťahanie a púšťanie modulov na vytváranie experimentov a následné nasadenie pipeline v prostredí s nízkym kódom.
+- **Automatizované strojové učenie (AutoML)**: automatizuje iteratívne úlohy vývoja modelov strojového učenia, čo umožňuje vytvárať ML modely vo veľkom rozsahu, efektívne a produktívne, pričom sa zachováva kvalita modelu.
+- **Označovanie dát**: asistovaný ML nástroj na automatické označovanie dát.
+- **Rozšírenie strojového učenia pre Visual Studio Code**: poskytuje plnohodnotné vývojové prostredie na vytváranie a správu ML projektov.
+- **CLI pre strojové učenie**: poskytuje príkazy na správu zdrojov Azure ML z príkazového riadku.
+- **Integrácia s open-source frameworkmi** ako PyTorch, TensorFlow, Scikit-learn a mnohými ďalšími na tréning, nasadenie a správu celého procesu strojového učenia.
+- **MLflow**: open-source knižnica na správu životného cyklu experimentov strojového učenia. **MLFlow Tracking** je komponent MLflow, ktorý zaznamenáva a sleduje metriky tréningových behov a artefakty modelov, bez ohľadu na prostredie vášho experimentu.
+
+### 1.2 Projekt predikcie zlyhania srdca:
+
+Niet pochýb o tom, že vytváranie a budovanie projektov je najlepší spôsob, ako otestovať svoje zručnosti a vedomosti. V tejto lekcii preskúmame dva rôzne spôsoby vytvárania projektu dátovej vedy na predikciu zlyhania srdca v Azure ML Studio, a to pomocou Low code/No code a pomocou Azure ML SDK, ako je znázornené na nasledujúcej schéme:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sk.png)
+
+Každý spôsob má svoje výhody a nevýhody. Cesta Low code/No code je jednoduchšia na začiatok, pretože zahŕňa interakciu s grafickým používateľským rozhraním (GUI) a nevyžaduje predchádzajúce znalosti kódu. Táto metóda umožňuje rýchle testovanie životaschopnosti projektu a vytvorenie POC (Proof Of Concept). Avšak, keď projekt rastie a je potrebné ho pripraviť na produkciu, nie je praktické vytvárať zdroje cez GUI. Vtedy je nevyhnutné programovo automatizovať všetko, od vytvárania zdrojov až po nasadenie modelu. Tu sa stáva kľúčovým ovládanie Azure ML SDK.
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Znalosť kódu      | Nie je potrebná  | Potrebná                  |
+| Čas na vývoj      | Rýchly a jednoduchý | Závisí od znalostí kódu   |
+| Pripravenosť na produkciu | Nie               | Áno                       |
+
+### 1.3 Dataset pre zlyhanie srdca:
+
+Kardiovaskulárne ochorenia (CVD) sú celosvetovo hlavnou príčinou úmrtí, pričom predstavujú 31 % všetkých úmrtí. Environmentálne a behaviorálne rizikové faktory, ako je používanie tabaku, nezdravá strava a obezita, fyzická nečinnosť a škodlivé používanie alkoholu, by mohli byť použité ako vlastnosti pre odhadové modely. Schopnosť odhadnúť pravdepodobnosť vývoja CVD by mohla byť veľmi užitočná na prevenciu útokov u ľudí s vysokým rizikom.
+
+Kaggle sprístupnil verejne [dataset pre zlyhanie srdca](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), ktorý použijeme pre tento projekt. Dataset si môžete stiahnuť teraz. Ide o tabuľkový dataset s 13 stĺpcami (12 vlastností a 1 cieľová premenná) a 299 riadkami.
+
+|    | Názov premennej          | Typ            | Popis                                                    | Príklad           |
+|----|--------------------------|----------------|----------------------------------------------------------|-------------------|
+| 1  | age                      | numerický      | vek pacienta                                             | 25                |
+| 2  | anaemia                  | boolean        | Zníženie červených krviniek alebo hemoglobínu            | 0 alebo 1         |
+| 3  | creatinine_phosphokinase | numerický      | Hladina enzýmu CPK v krvi                                | 542               |
+| 4  | diabetes                 | boolean        | Či má pacient cukrovku                                   | 0 alebo 1         |
+| 5  | ejection_fraction        | numerický      | Percento krvi opúšťajúcej srdce pri každej kontrakcii    | 45                |
+| 6  | high_blood_pressure      | boolean        | Či má pacient hypertenziu                                | 0 alebo 1         |
+| 7  | platelets                | numerický      | Počet krvných doštičiek v krvi                           | 149000            |
+| 8  | serum_creatinine         | numerický      | Hladina sérového kreatinínu v krvi                       | 0.5               |
+| 9  | serum_sodium             | numerický      | Hladina sérového sodíka v krvi                           | jun               |
+| 10 | sex                      | boolean        | žena alebo muž                                           | 0 alebo 1         |
+| 11 | smoking                  | boolean        | Či pacient fajčí                                         | 0 alebo 1         |
+| 12 | time                     | numerický      | obdobie sledovania (dni)                                 | 4                 |
+|----|--------------------------|----------------|----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Cieľ]       | boolean        | Či pacient zomrie počas obdobia sledovania               | 0 alebo 1         |
+
+Keď máte dataset, môžeme začať projekt v Azure.
+
+## 2. Tréning modelu v Azure ML Studio pomocou Low code/No code
+
+### 2.1 Vytvorenie pracovného priestoru Azure ML
+
+Na tréning modelu v Azure ML musíte najprv vytvoriť pracovný priestor Azure ML. Pracovný priestor je najvyššia úroveň zdroja pre Azure Machine Learning, ktorá poskytuje centralizované miesto na prácu so všetkými artefaktmi, ktoré vytvoríte pri používaní Azure Machine Learning. Pracovný priestor uchováva históriu všetkých tréningových behov vrátane logov, metrík, výstupov a snímok vašich skriptov. Tieto informácie používate na určenie, ktorý tréningový beh produkuje najlepší model. [Viac informácií](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Odporúča sa používať najaktuálnejší prehliadač kompatibilný s vaším operačným systémom. Podporované sú nasledujúce prehliadače:
+
+- Microsoft Edge (nový Microsoft Edge, najnovšia verzia. Nie Microsoft Edge legacy)
+- Safari (najnovšia verzia, iba Mac)
+- Chrome (najnovšia verzia)
+- Firefox (najnovšia verzia)
+
+Na používanie Azure Machine Learning vytvorte pracovný priestor vo vašom predplatnom Azure. Tento pracovný priestor potom môžete použiť na správu dát, výpočtových zdrojov, kódu, modelov a ďalších artefaktov súvisiacich s vašimi pracovnými záťažami strojového učenia.
+
+> **_POZNÁMKA:_** Vaše predplatné Azure bude účtované malou sumou za ukladanie dát, pokiaľ pracovný priestor Azure Machine Learning existuje vo vašom predplatnom, preto odporúčame odstrániť pracovný priestor Azure Machine Learning, keď ho už nepoužívate.
+
+1. Prihláste sa do [portálu Azure](https://ms.portal.azure.com/) pomocou prihlasovacích údajov Microsoft spojených s vaším predplatným Azure.
+2. Vyberte **＋Vytvoriť zdroj**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sk.png)
+
+   Vyhľadajte Machine Learning a vyberte dlaždicu Machine Learning.
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sk.png)
+
+   Kliknite na tlačidlo vytvoriť.
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sk.png)
+
+   Vyplňte nastavenia nasledovne:
+   - Predplatné: Vaše predplatné Azure
+   - Skupina zdrojov: Vytvorte alebo vyberte skupinu zdrojov
+   - Názov pracovného priestoru: Zadajte jedinečný názov pre váš pracovný priestor
+   - Región: Vyberte geografický región najbližší k vám
+   - Účet úložiska: Poznámka o predvolenom novom účte úložiska, ktorý bude vytvorený pre váš pracovný priestor
+   - Key vault: Poznámka o predvolenom novom key vault, ktorý bude vytvorený pre váš pracovný priestor
+   - Application insights: Poznámka o predvolenom novom zdroji Application Insights, ktorý bude vytvorený pre váš pracovný priestor
+   - Kontajnerový register: Žiadny (jeden bude automaticky vytvorený pri prvom nasadení modelu do kontajnera)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sk.png)
+
+   - Kliknite na tlačidlo vytvoriť + preskúmať a potom na tlačidlo vytvoriť.
+3. Počkajte, kým sa váš pracovný priestor vytvorí (môže to trvať niekoľko minút). Potom do neho prejdite v portáli. Nájdete ho cez službu Machine Learning Azure.
+4. Na stránke Prehľad vášho pracovného priestoru spustite Azure Machine Learning Studio (alebo otvorte novú kartu prehliadača a prejdite na https://ml.azure.com) a prihláste sa do Azure Machine Learning Studio pomocou vášho účtu Microsoft. Ak budete vyzvaní, vyberte váš adresár a predplatné Azure a váš pracovný priestor Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sk.png)
+
+5. V Azure Machine Learning Studio prepnite ikonu ☰ v ľavom hornom rohu na zobrazenie rôznych stránok v rozhraní. Tieto stránky môžete použiť na správu zdrojov vo vašom pracovnom priestore.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sk.png)
+
+Pracovný priestor môžete spravovať pomocou portálu Azure, ale pre dátových vedcov a inžinierov prevádzky strojového učenia poskytuje Azure Machine Learning Studio viac zamerané používateľské rozhranie na správu zdrojov pracovného priestoru.
+
+### 2.2 Výpočtové zdroje
+
+Výpočtové zdroje sú cloudové zdroje, na ktorých môžete spúšťať procesy tréningu modelov a skúmania dát. Existujú štyri druhy výpočtových zdrojov, ktoré môžete vytvoriť:
+
+- **Výpočtové inštancie**: Vývojové pracovné stanice, ktoré môžu dátoví vedci používať na prácu s dátami a modelmi. To zahŕňa vytvorenie virtuálneho stroja (VM) a spustenie inštancie notebooku. Potom môžete trénovať model volaním výpočtového klastru z notebooku.
+- **Výpočtové klastry**: Škálovateľné klastry VM na spracovanie experimentálneho kódu na požiadanie. Budete ich potrebovať pri tréningu modelu. Výpočtové klastry môžu tiež využívať špecializované GPU alebo CPU zdroje.
+- **Inferenčné klastry**: Ciele nasadenia pre prediktívne služby, ktoré používajú vaše trénované modely.
+- **Pripojený výpočet**: Odkazy na existujúce výpočtové zdroje Azure, ako sú virtuálne počítače alebo klastre Azure Databricks.
+
+#### 2.2.1 Výber správnych možností pre vaše výpočtové zdroje
+
+Pri vytváraní výpočtového zdroja je potrebné zvážiť niekoľko kľúčových faktorov, ktoré môžu byť kritickými rozhodnutiami.
+
+**Potrebujete CPU alebo GPU?**
+
+CPU (centrálna procesorová jednotka) je elektronický obvod, ktorý vykonáva inštrukcie tvoriace počítačový program. GPU (grafická procesorová jednotka) je špecializovaný elektronický obvod, ktorý dokáže vykonávať graficky orientovaný kód veľmi vysokou rýchlosťou.
+
+Hlavný rozdiel medzi architektúrou CPU a GPU je v tom, že CPU je navrhnuté na rýchle zvládanie širokého spektra úloh (merané rýchlosťou hodín CPU), ale má obmedzenú súbežnosť úloh, ktoré môžu bežať. GPU sú navrhnuté na paralelné výpočty, a preto sú oveľa lepšie na úlohy hlbokého učenia.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Menej nákladné                          | Viac nákladné               |
+| Nižšia úroveň súbežnosti                | Vyššia úroveň súbežnosti    |
+| Pomalšie pri trénovaní modelov hlbokého učenia | Optimálne pre hlboké učenie |
+
+**Veľkosť klastra**
+
+Väčšie klastre sú drahšie, ale zabezpečia lepšiu odozvu. Preto, ak máte čas, ale obmedzený rozpočet, mali by ste začať s menším klastrom. Naopak, ak máte dostatok financií, ale málo času, mali by ste začať s väčším klastrom.
+
+**Veľkosť virtuálneho počítača (VM)**
+
+V závislosti od vašich časových a rozpočtových obmedzení môžete meniť veľkosť RAM, disku, počet jadier a rýchlosť hodín. Zvýšenie všetkých týchto parametrov bude drahšie, ale zabezpečí lepší výkon.
+
+**Dedikované alebo nízko-prioritné inštancie?**
+
+Nízko-prioritná inštancia znamená, že je prerušiteľná: v podstate, Microsoft Azure môže tieto zdroje odobrať a priradiť ich inej úlohe, čím preruší vašu prácu. Dedikovaná inštancia, alebo neprerušiteľná, znamená, že úloha nebude nikdy ukončená bez vášho povolenia. Toto je ďalší aspekt rozhodovania medzi časom a peniazmi, pretože prerušiteľné inštancie sú lacnejšie ako dedikované.
+
+#### 2.2.2 Vytvorenie výpočtového klastra
+
+V [Azure ML pracovnom priestore](https://ml.azure.com/), ktorý sme vytvorili skôr, prejdite na výpočty a budete môcť vidieť rôzne výpočtové zdroje, o ktorých sme práve hovorili (t.j. výpočtové inštancie, výpočtové klastre, inferenčné klastre a pripojené výpočty). Pre tento projekt budeme potrebovať výpočtový klaster na trénovanie modelu. V Studio kliknite na menu "Compute", potom na kartu "Compute cluster" a kliknite na tlačidlo "+ New" na vytvorenie výpočtového klastra.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sk.png)
+
+1. Vyberte svoje možnosti: Dedikované vs Nízko-prioritné, CPU alebo GPU, veľkosť VM a počet jadier (pre tento projekt môžete ponechať predvolené nastavenia).
+2. Kliknite na tlačidlo Next.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sk.png)
+
+3. Dajte klastru názov.
+4. Vyberte svoje možnosti: Minimálny/Maximálny počet uzlov, čas nečinnosti pred zmenšením, prístup SSH. Upozorňujeme, že ak je minimálny počet uzlov 0, ušetríte peniaze, keď je klaster nečinný. Upozorňujeme, že čím vyšší je maximálny počet uzlov, tým kratšie bude trénovanie. Odporúčaný maximálny počet uzlov je 3.
+5. Kliknite na tlačidlo "Create". Tento krok môže trvať niekoľko minút.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sk.png)
+
+Skvelé! Teraz, keď máme výpočtový klaster, musíme nahrať dáta do Azure ML Studio.
+
+### 2.3 Nahrávanie datasetu
+
+1. V [Azure ML pracovnom priestore](https://ml.azure.com/), ktorý sme vytvorili skôr, kliknite na "Datasets" v ľavom menu a kliknite na tlačidlo "+ Create dataset" na vytvorenie datasetu. Vyberte možnosť "From local files" a vyberte Kaggle dataset, ktorý sme stiahli skôr.
+
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sk.png)
+
+2. Dajte datasetu názov, typ a popis. Kliknite na Next. Nahrajte dáta zo súborov. Kliknite na Next.
+
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sk.png)
+
+3. V schéme zmeňte dátový typ na Boolean pre nasledujúce vlastnosti: anaemia, diabetes, high blood pressure, sex, smoking a DEATH_EVENT. Kliknite na Next a potom na Create.
+
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sk.png)
+
+Výborne! Teraz, keď je dataset pripravený a výpočtový klaster vytvorený, môžeme začať trénovanie modelu!
+
+### 2.4 Trénovanie s nízkym kódom/bez kódu pomocou AutoML
+
+Tradičný vývoj modelov strojového učenia je náročný na zdroje, vyžaduje si významné znalosti domény a čas na vytvorenie a porovnanie desiatok modelov. Automatizované strojové učenie (AutoML) je proces automatizácie časovo náročných, iteratívnych úloh vývoja modelov strojového učenia. Umožňuje dátovým vedcom, analytikom a vývojárom vytvárať ML modely vo veľkom rozsahu, efektívne a produktívne, pričom zachováva kvalitu modelov. Skracuje čas potrebný na získanie produkčne pripravených ML modelov s veľkou ľahkosťou a efektívnosťou. [Viac informácií](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. V [Azure ML pracovnom priestore](https://ml.azure.com/), ktorý sme vytvorili skôr, kliknite na "Automated ML" v ľavom menu a vyberte dataset, ktorý ste práve nahrali. Kliknite na Next.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sk.png)
+
+2. Zadajte nový názov experimentu, cieľový stĺpec (DEATH_EVENT) a výpočtový klaster, ktorý sme vytvorili. Kliknite na Next.
+
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sk.png)
+
+3. Vyberte "Classification" a kliknite na Finish. Tento krok môže trvať 30 minút až 1 hodinu, v závislosti od veľkosti vášho výpočtového klastra.
+
+   ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sk.png)
+
+4. Po dokončení behu kliknite na kartu "Automated ML", kliknite na váš beh a potom na algoritmus v karte "Best model summary".
+
+   ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sk.png)
+
+Tu môžete vidieť podrobný popis najlepšieho modelu, ktorý AutoML vygeneroval. Môžete tiež preskúmať ďalšie modely v karte Models. Venujte niekoľko minút preskúmaniu modelov v sekcii Explanations (preview). Keď si vyberiete model, ktorý chcete použiť (tu vyberieme najlepší model vybraný AutoML), uvidíme, ako ho môžeme nasadiť.
+
+## 3. Nasadenie modelu s nízkym kódom/bez kódu a spotreba endpointu
+### 3.1 Nasadenie modelu
+
+Rozhranie automatizovaného strojového učenia umožňuje nasadiť najlepší model ako webovú službu v niekoľkých krokoch. Nasadenie je integrácia modelu tak, aby mohol robiť predpovede na základe nových údajov a identifikovať potenciálne oblasti príležitostí. Pre tento projekt nasadenie do webovej služby znamená, že medicínske aplikácie budú môcť využívať model na živé predpovede rizika srdcového infarktu u pacientov.
+
+V popise najlepšieho modelu kliknite na tlačidlo "Deploy".
+
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sk.png)
+
+15. Dajte mu názov, popis, typ výpočtu (Azure Container Instance), povolte autentifikáciu a kliknite na Deploy. Tento krok môže trvať približne 20 minút. Proces nasadenia zahŕňa niekoľko krokov vrátane registrácie modelu, generovania zdrojov a ich konfigurácie pre webovú službu. Stavová správa sa zobrazí pod stavom nasadenia. Pravidelne klikajte na Refresh, aby ste skontrolovali stav nasadenia. Je nasadený a spustený, keď je stav "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sk.png)
+
+16. Po nasadení kliknite na kartu Endpoint a kliknite na endpoint, ktorý ste práve nasadili. Tu nájdete všetky podrobnosti, ktoré potrebujete vedieť o endpointe.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sk.png)
+
+Úžasné! Teraz, keď máme model nasadený, môžeme začať so spotrebou endpointu.
+
+### 3.2 Spotreba endpointu
+
+Kliknite na kartu "Consume". Tu nájdete REST endpoint a python skript v možnosti spotreby. Venujte chvíľu čítaniu python kódu.
+
+Tento skript môžete spustiť priamo z vášho lokálneho počítača a bude spotrebovávať váš endpoint.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sk.png)
+
+Venujte chvíľu kontrole týchto dvoch riadkov kódu:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Premenná `url` je REST endpoint nájdený v karte consume a premenná `api_key` je primárny kľúč tiež nájdený v karte consume (iba v prípade, že ste povolili autentifikáciu). Takto môže skript spotrebovávať endpoint.
+
+18. Po spustení skriptu by ste mali vidieť nasledujúci výstup:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+To znamená, že predpoveď srdcového zlyhania pre zadané údaje je pravdivá. To dáva zmysel, pretože ak sa pozriete bližšie na údaje automaticky generované v skripte, všetko je predvolene nastavené na 0 a false. Môžete zmeniť údaje na nasledujúci vzor vstupu:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+Skript by mal vrátiť:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Gratulujeme! Práve ste spotrebovali model nasadený a trénovaný na Azure ML!
+
+> **_POZNÁMKA:_** Po dokončení projektu nezabudnite odstrániť všetky zdroje.
+## 🚀 Výzva
+
+Pozorne si prezrite vysvetlenia modelu a podrobnosti, ktoré AutoML vygeneroval pre najlepšie modely. Pokúste sa pochopiť, prečo je najlepší model lepší ako ostatné. Aké algoritmy boli porovnávané? Aké sú medzi nimi rozdiely? Prečo je najlepší model v tomto prípade výkonnejší?
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Prehľad a samoštúdium
+
+V tejto lekcii ste sa naučili, ako trénovať, nasadiť a spotrebovať model na predpovedanie rizika srdcového zlyhania s nízkym kódom/bez kódu v cloude. Ak ste to ešte neurobili, ponorte sa hlbšie do vysvetlení modelu, ktoré AutoML vygeneroval pre najlepšie modely, a pokúste sa pochopiť, prečo je najlepší model lepší ako ostatné.
+
+Môžete ísť ďalej do oblasti nízkeho kódu/bez kódu AutoML čítaním tejto [dokumentácie](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Zadanie
+
+[Projekt dátovej vedy s nízkym kódom/bez kódu na Azure ML](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..1b474f5f
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:38+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Projekt Data Science s nízkym alebo žiadnym kódom na Azure ML
+
+## Pokyny
+
+Ukázali sme si, ako používať platformu Azure ML na trénovanie, nasadenie a používanie modelu spôsobom s nízkym alebo žiadnym kódom. Teraz sa poobzerajte po nejakých dátach, ktoré by ste mohli použiť na trénovanie iného modelu, jeho nasadenie a používanie. Môžete hľadať datasety na [Kaggle](https://kaggle.com) a [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Hodnotiace kritériá
+
+| Vynikajúce | Dostatočné | Potrebuje zlepšenie |
+|------------|------------|---------------------|
+|Pri nahrávaní dát ste sa postarali o zmenu typu vlastností, ak to bolo potrebné. Taktiež ste dáta vyčistili, ak to bolo potrebné. Spustili ste trénovanie na datasete pomocou AutoML a skontrolovali ste vysvetlenia modelu. Nasadili ste najlepší model a dokázali ste ho používať. | Pri nahrávaní dát ste sa postarali o zmenu typu vlastností, ak to bolo potrebné. Spustili ste trénovanie na datasete pomocou AutoML, nasadili ste najlepší model a dokázali ste ho používať. | Nasadili ste najlepší model vytrénovaný pomocou AutoML a dokázali ste ho používať. |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/sk/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..a0d43e92
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,313 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:14:41+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science v cloude: Cesta "Azure ML SDK"
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Data Science v cloude: Azure ML SDK - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+Obsah:
+
+- [Data Science v cloude: Cesta "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Kvíz pred prednáškou](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Úvod](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Čo je Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Projekt predikcie zlyhania srdca a úvod do datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Tréning modelu pomocou Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Vytvorenie Azure ML pracovného priestoru](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Vytvorenie výpočtového uzla](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Načítanie datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Vytváranie notebookov](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Tréning modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Nastavenie pracovného priestoru, experimentu, výpočtového klastru a datasetu](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Konfigurácia AutoML a tréning](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Nasadenie modelu a využitie endpointu pomocou Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Uloženie najlepšieho modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Nasadenie modelu](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Využitie endpointu](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Výzva](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Kvíz po prednáške](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Recenzia a samostatné štúdium](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Úloha](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Úvod
+
+### 1.1 Čo je Azure ML SDK?
+
+Data scientisti a vývojári AI používajú Azure Machine Learning SDK na vytváranie a spúšťanie workflowov strojového učenia pomocou služby Azure Machine Learning. So službou môžete pracovať v akomkoľvek prostredí Pythonu, vrátane Jupyter Notebookov, Visual Studio Code alebo vášho obľúbeného Python IDE.
+
+Kľúčové oblasti SDK zahŕňajú:
+
+- Preskúmanie, príprava a správa životného cyklu datasetov používaných v experimentoch strojového učenia.
+- Správa cloudových zdrojov na monitorovanie, logovanie a organizovanie experimentov strojového učenia.
+- Tréning modelov buď lokálne, alebo pomocou cloudových zdrojov, vrátane tréningu modelov akcelerovaných GPU.
+- Použitie automatizovaného strojového učenia, ktoré prijíma konfiguračné parametre a tréningové dáta. Automaticky iteruje cez algoritmy a nastavenia hyperparametrov, aby našiel najlepší model na predikcie.
+- Nasadenie webových služieb na konverziu vašich trénovaných modelov na RESTful služby, ktoré môžu byť využité v akejkoľvek aplikácii.
+
+[Viac informácií o Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+V [predchádzajúcej lekcii](../18-Low-Code/README.md) sme videli, ako trénovať, nasadiť a využívať model pomocou prístupu Low code/No code. Použili sme dataset o zlyhaní srdca na generovanie modelu predikcie zlyhania srdca. V tejto lekcii urobíme presne to isté, ale pomocou Azure Machine Learning SDK.
+
+![projektová schéma](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sk.png)
+
+### 1.2 Projekt predikcie zlyhania srdca a úvod do datasetu
+
+Pozrite si [tu](../18-Low-Code/README.md) úvod do projektu predikcie zlyhania srdca a datasetu.
+
+## 2. Tréning modelu pomocou Azure ML SDK
+### 2.1 Vytvorenie Azure ML pracovného priestoru
+
+Pre jednoduchosť budeme pracovať v jupyter notebooku. To znamená, že už máte pracovný priestor a výpočtový uzol. Ak už máte pracovný priestor, môžete preskočiť priamo na sekciu 2.3 Vytváranie notebookov.
+
+Ak nie, postupujte podľa pokynov v sekcii **2.1 Vytvorenie Azure ML pracovného priestoru** v [predchádzajúcej lekcii](../18-Low-Code/README.md) na vytvorenie pracovného priestoru.
+
+### 2.2 Vytvorenie výpočtového uzla
+
+V [Azure ML pracovnom priestore](https://ml.azure.com/), ktorý sme vytvorili skôr, prejdite do menu Compute a uvidíte rôzne dostupné výpočtové zdroje.
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sk.png)
+
+Vytvorme výpočtový uzol na zriadenie jupyter notebooku. 
+1. Kliknite na tlačidlo + New. 
+2. Dajte názov vášmu výpočtovému uzlu.
+3. Vyberte možnosti: CPU alebo GPU, veľkosť VM a počet jadier.
+4. Kliknite na tlačidlo Create.
+
+Gratulujeme, práve ste vytvorili výpočtový uzol! Tento výpočtový uzol použijeme na vytvorenie notebooku v sekcii [Vytváranie notebookov](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Načítanie datasetu
+Ak ste dataset ešte nenahrali, pozrite si sekciu **2.3 Načítanie datasetu** v [predchádzajúcej lekcii](../18-Low-Code/README.md).
+
+### 2.4 Vytváranie notebookov
+
+> **_POZNÁMKA:_** Pre ďalší krok môžete buď vytvoriť nový notebook od začiatku, alebo nahrať [notebook, ktorý sme vytvorili](notebook.ipynb) do vášho Azure ML Studio. Na jeho nahratie jednoducho kliknite na menu "Notebook" a nahrajte notebook.
+
+Notebooky sú veľmi dôležitou súčasťou procesu data science. Môžu byť použité na vykonávanie prieskumných analýz dát (EDA), volanie výpočtového klastru na tréning modelu, alebo volanie inferenčného klastru na nasadenie endpointu.
+
+Na vytvorenie notebooku potrebujeme výpočtový uzol, ktorý poskytuje jupyter notebook. Vráťte sa do [Azure ML pracovného priestoru](https://ml.azure.com/) a kliknite na Compute instances. V zozname výpočtových uzlov by ste mali vidieť [výpočtový uzol, ktorý sme vytvorili skôr](../../../../5-Data-Science-In-Cloud/19-Azure). 
+
+1. V sekcii Applications kliknite na možnosť Jupyter. 
+2. Zaškrtnite políčko "Yes, I understand" a kliknite na tlačidlo Continue.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sk.png)
+3. Toto by malo otvoriť nový prehliadačový tab s vaším jupyter notebookom. Kliknite na tlačidlo "New" na vytvorenie notebooku.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sk.png)
+
+Teraz, keď máme notebook, môžeme začať trénovať model pomocou Azure ML SDK.
+
+### 2.5 Tréning modelu
+
+Ak máte akékoľvek pochybnosti, pozrite si [dokumentáciu Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Obsahuje všetky potrebné informácie na pochopenie modulov, ktoré uvidíme v tejto lekcii.
+
+#### 2.5.1 Nastavenie pracovného priestoru, experimentu, výpočtového klastru a datasetu
+
+Pracovný priestor načítate z konfiguračného súboru pomocou nasledujúceho kódu:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Toto vráti objekt typu `Workspace`, ktorý reprezentuje pracovný priestor. Potom musíte vytvoriť `experiment` pomocou nasledujúceho kódu:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Na získanie alebo vytvorenie experimentu z pracovného priestoru požiadate experiment pomocou jeho názvu. Názov experimentu musí mať 3-36 znakov, začínať písmenom alebo číslom a môže obsahovať iba písmená, čísla, podčiarkovníky a pomlčky. Ak experiment nie je nájdený v pracovnom priestore, vytvorí sa nový experiment.
+
+Teraz musíte vytvoriť výpočtový klaster na tréning pomocou nasledujúceho kódu. Upozorňujeme, že tento krok môže trvať niekoľko minút. 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Dataset môžete získať z pracovného priestoru pomocou názvu datasetu nasledujúcim spôsobom:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 Konfigurácia AutoML a tréning
+
+Na nastavenie konfigurácie AutoML použite [AutoMLConfig triedu](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Ako je popísané v dokumentácii, existuje veľa parametrov, s ktorými môžete pracovať. Pre tento projekt použijeme nasledujúce parametre:
+
+- `experiment_timeout_minutes`: Maximálny čas (v minútach), ktorý je experimentu povolený pred automatickým zastavením a sprístupnením výsledkov.
+- `max_concurrent_iterations`: Maximálny počet súbežných tréningových iterácií povolených pre experiment.
+- `primary_metric`: Primárna metrika používaná na určenie stavu experimentu.
+- `compute_target`: Výpočtový cieľ Azure Machine Learning na spustenie experimentu automatizovaného strojového učenia.
+- `task`: Typ úlohy na spustenie. Hodnoty môžu byť 'classification', 'regression' alebo 'forecasting' v závislosti od typu problému automatizovaného ML.
+- `training_data`: Tréningové dáta, ktoré sa majú použiť v rámci experimentu. Mali by obsahovať tréningové vlastnosti a stĺpec s označením (voliteľne stĺpec s váhami vzoriek).
+- `label_column_name`: Názov stĺpca s označením.
+- `path`: Celá cesta k priečinku projektu Azure Machine Learning.
+- `enable_early_stopping`: Či povoliť predčasné ukončenie, ak sa skóre krátkodobo nezlepšuje.
+- `featurization`: Indikátor, či má byť krok featurizácie vykonaný automaticky alebo nie, alebo či má byť použitá prispôsobená featurizácia.
+- `debug_log`: Súbor logov na zapisovanie informácií o ladení.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Teraz, keď máte nastavenú konfiguráciu, môžete model trénovať pomocou nasledujúceho kódu. Tento krok môže trvať až hodinu v závislosti od veľkosti vášho klastru.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+Môžete spustiť widget RunDetails na zobrazenie rôznych experimentov.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Nasadenie modelu a využitie endpointu pomocou Azure ML SDK
+
+### 3.1 Uloženie najlepšieho modelu
+
+`remote_run` je objekt typu [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Tento objekt obsahuje metódu `get_output()`, ktorá vráti najlepší beh a zodpovedajúci trénovaný model.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+Parametre použité pre najlepší model môžete vidieť jednoducho vytlačením fitted_model a vlastnosti najlepšieho modelu pomocou metódy [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Teraz zaregistrujte model pomocou metódy [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Nasadenie modelu
+
+Keď je najlepší model uložený, môžeme ho nasadiť pomocou triedy [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig predstavuje konfiguračné nastavenia pre vlastné prostredie použité na nasadenie. Trieda [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) predstavuje model strojového učenia nasadený ako endpoint webovej služby na Azure Container Instances. Nasadená služba je vyvážený HTTP endpoint s REST API. Môžete poslať dáta na toto API a získať predikciu vrátenú modelom.
+
+Model je nasadený pomocou metódy [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Tento krok by mal trvať niekoľko minút.
+
+### 3.3 Využitie endpointu
+
+Endpoint využijete vytvorením vzorového vstupu:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+A potom môžete tento vstup poslať vášmu modelu na predikciu:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```
+Toto by malo vrátiť `'{"result": [false]}'`. To znamená, že vstup pacienta, ktorý sme poslali na endpoint, vygeneroval predikciu `false`, čo znamená, že táto osoba pravdepodobne nedostane infarkt.
+
+Gratulujeme! Práve ste použili model nasadený a trénovaný na Azure ML pomocou Azure ML SDK!
+
+
+> **_NOTE:_** Keď dokončíte projekt, nezabudnite vymazať všetky zdroje.
+
+## 🚀 Výzva
+
+Existuje mnoho ďalších vecí, ktoré môžete robiť prostredníctvom SDK, bohužiaľ, nemôžeme ich všetky prejsť v tejto lekcii. Dobrá správa je, že naučiť sa orientovať v dokumentácii SDK vám môže veľmi pomôcť. Pozrite si dokumentáciu Azure ML SDK a nájdite triedu `Pipeline`, ktorá vám umožňuje vytvárať pipeline. Pipeline je kolekcia krokov, ktoré môžu byť vykonané ako pracovný postup.
+
+**TIP:** Prejdite na [dokumentáciu SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) a zadajte kľúčové slová do vyhľadávacieho poľa, ako napríklad "Pipeline". Mali by ste mať triedu `azureml.pipeline.core.Pipeline` vo výsledkoch vyhľadávania.
+
+## [Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Prehľad & Samoštúdium
+
+V tejto lekcii ste sa naučili, ako trénovať, nasadiť a používať model na predikciu rizika zlyhania srdca pomocou Azure ML SDK v cloude. Pozrite si túto [dokumentáciu](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) pre ďalšie informácie o Azure ML SDK. Skúste vytvoriť vlastný model pomocou Azure ML SDK. 
+
+## Zadanie
+
+[Projekt Data Science pomocou Azure ML SDK](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/sk/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..78ca1884
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:24+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Projekt Data Science pomocou Azure ML SDK
+
+## Pokyny
+
+Ukázali sme si, ako používať platformu Azure ML na trénovanie, nasadenie a používanie modelu pomocou Azure ML SDK. Teraz si nájdite nejaké údaje, ktoré by ste mohli použiť na trénovanie iného modelu, jeho nasadenie a používanie. Môžete hľadať datasety na [Kaggle](https://kaggle.com) a [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Kritériá hodnotenia
+
+| Vynikajúce | Dostatočné | Potrebuje zlepšenie |
+|------------|------------|---------------------|
+|Pri konfigurácii AutoML ste si prešli dokumentáciu SDK, aby ste zistili, aké parametre môžete použiť. Spustili ste trénovanie na datasete pomocou AutoML cez Azure ML SDK a skontrolovali ste vysvetlenia modelu. Nasadili ste najlepší model a dokázali ste ho používať cez Azure ML SDK. | Spustili ste trénovanie na datasete pomocou AutoML cez Azure ML SDK a skontrolovali ste vysvetlenia modelu. Nasadili ste najlepší model a dokázali ste ho používať cez Azure ML SDK. | Spustili ste trénovanie na datasete pomocou AutoML cez Azure ML SDK. Nasadili ste najlepší model a dokázali ste ho používať cez Azure ML SDK. |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/5-Data-Science-In-Cloud/README.md b/translations/sk/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..8d551efb
--- /dev/null
+++ b/translations/sk/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:53:10+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science v cloude
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sk.jpg)
+
+> Foto od [Jelleke Vanooteghem](https://unsplash.com/@ilumire) z [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Keď ide o prácu s veľkými dátami v oblasti dátovej vedy, cloud môže byť prelomovým riešením. V nasledujúcich troch lekciách si vysvetlíme, čo je to cloud a prečo môže byť veľmi užitočný. Taktiež preskúmame dataset o zlyhaní srdca a vytvoríme model, ktorý pomôže odhadnúť pravdepodobnosť, že niekto zažije zlyhanie srdca. Využijeme silu cloudu na trénovanie, nasadenie a používanie modelu dvoma rôznymi spôsobmi. Jeden spôsob bude využívať iba používateľské rozhranie v štýle Low code/No code, druhý spôsob bude využívať Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sk.png)
+
+### Témy
+
+1. [Prečo používať cloud pre dátovú vedu?](17-Introduction/README.md)
+2. [Dátová veda v cloude: Spôsob "Low code/No code"](18-Low-Code/README.md)
+3. [Dátová veda v cloude: Spôsob "Azure ML SDK"](19-Azure/README.md)
+
+### Kredity
+Tieto lekcie boli napísané s ☁️ a 💕 od [Maud Levy](https://twitter.com/maudstweets) a [Tiffany Souterre](https://twitter.com/TiffanySouterre)
+
+Dáta pre projekt predikcie zlyhania srdca pochádzajú od [
+Larxel](https://www.kaggle.com/andrewmvd) na [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Sú licencované pod [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/).
+
+---
+
+**Zrieknutie sa zodpovednosti**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..7b3ff58d
--- /dev/null
+++ b/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,154 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:47:58+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science v reálnom svete
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Data Science v reálnom svete - _Sketchnote od [@nitya](https://twitter.com/nitya)_               |
+
+Sme takmer na konci tejto vzdelávacej cesty!
+
+Začali sme definíciami dátovej vedy a etiky, preskúmali rôzne nástroje a techniky na analýzu a vizualizáciu dát, prešli životný cyklus dátovej vedy a pozreli sa na škálovanie a automatizáciu pracovných postupov dátovej vedy pomocou cloudových služieb. Pravdepodobne sa pýtate: _"Ako presne môžem všetky tieto poznatky aplikovať v reálnom svete?"_
+
+V tejto lekcii preskúmame reálne aplikácie dátovej vedy v rôznych odvetviach a ponoríme sa do konkrétnych príkladov v oblasti výskumu, digitálnych humanitných vied a udržateľnosti. Pozrieme sa na príležitosti pre študentské projekty a zakončíme užitočnými zdrojmi, ktoré vám pomôžu pokračovať vo vašej vzdelávacej ceste!
+
+## Kvíz pred prednáškou
+
+[Kvíz pred prednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Data Science + Priemysel
+
+Vďaka demokratizácii AI je pre vývojárov teraz jednoduchšie navrhovať a integrovať rozhodovanie poháňané AI a poznatky založené na dátach do používateľských skúseností a vývojových pracovných postupov. Tu je niekoľko príkladov, ako sa dátová veda "aplikuje" v reálnych aplikáciách naprieč priemyslom:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) využíval dátovú vedu na koreláciu vyhľadávacích výrazov s trendmi chrípky. Hoci prístup mal nedostatky, zvýšil povedomie o možnostiach (a výzvách) predpovedí v zdravotníctve založených na dátach.
+
+ * [Predikcie trás UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - vysvetľuje, ako UPS využíva dátovú vedu a strojové učenie na predpovedanie optimálnych trás pre doručovanie, pričom zohľadňuje poveternostné podmienky, dopravné vzory, termíny doručenia a ďalšie faktory.
+
+ * [Vizualizácia trás taxíkov v NYC](http://chriswhong.github.io/nyctaxi/) - dáta získané pomocou [zákonov o slobode informácií](https://chriswhong.com/open-data/foil_nyc_taxi/) pomohli vizualizovať jeden deň v živote taxíkov v NYC, čo nám umožňuje pochopiť, ako sa pohybujú po rušnom meste, koľko zarábajú a aké sú trvania ciest počas 24-hodinového obdobia.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - využíva dáta (o miestach vyzdvihnutia a vysadenia, trvaní ciest, preferovaných trasách atď.) získané z miliónov denných jázd Uberom na vytvorenie nástroja na analýzu dát, ktorý pomáha s cenotvorbou, bezpečnosťou, detekciou podvodov a navigačnými rozhodnutiami.
+
+ * [Analytika v športe](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - zameriava sa na _prediktívnu analytiku_ (analýza tímov a hráčov - napr. [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - a manažment fanúšikov) a _vizualizáciu dát_ (dashboardy tímov a fanúšikov, hry atď.) s aplikáciami ako skauting talentov, športové stávkovanie a manažment inventára/miest.
+
+ * [Dátová veda v bankovníctve](https://data-flair.training/blogs/data-science-in-banking/) - zdôrazňuje hodnotu dátovej vedy vo finančnom priemysle s aplikáciami od modelovania rizík a detekcie podvodov, cez segmentáciu zákazníkov, až po predikcie v reálnom čase a odporúčacie systémy. Prediktívna analytika tiež poháňa kritické opatrenia ako [kreditné skóre](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Dátová veda v zdravotníctve](https://data-flair.training/blogs/data-science-in-healthcare/) - zdôrazňuje aplikácie ako medicínske zobrazovanie (napr. MRI, röntgen, CT-sken), genomika (sekvenovanie DNA), vývoj liekov (hodnotenie rizík, predikcia úspechu), prediktívna analytika (starostlivosť o pacientov a logistika zásob), sledovanie a prevencia chorôb atď.
+
+![Aplikácie dátovej vedy v reálnom svete](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sk.png) Zdroj obrázku: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+Obrázok ukazuje ďalšie oblasti a príklady aplikácie techník dátovej vedy. Chcete preskúmať ďalšie aplikácie? Pozrite si sekciu [Recenzia a samostatné štúdium](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) nižšie.
+
+## Data Science + Výskum
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Dátová veda & Výskum - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+Zatiaľ čo aplikácie v reálnom svete sa často zameriavajú na priemyselné prípady použitia vo veľkom meradle, _výskumné_ aplikácie a projekty môžu byť užitočné z dvoch perspektív:
+
+* _príležitosti na inovácie_ - skúmanie rýchleho prototypovania pokročilých konceptov a testovanie používateľských skúseností pre aplikácie budúcej generácie.
+* _výzvy pri nasadení_ - skúmanie potenciálnych škôd alebo neúmyselných dôsledkov technológií dátovej vedy v reálnych kontextoch.
+
+Pre študentov môžu tieto výskumné projekty poskytnúť príležitosti na učenie a spoluprácu, ktoré zlepšia vaše pochopenie témy a rozšíria vaše povedomie a zapojenie sa s relevantnými ľuďmi alebo tímami pracujúcimi v oblastiach záujmu. Ako vyzerajú výskumné projekty a aký môžu mať dopad?
+
+Pozrime sa na jeden príklad - [MIT Gender Shades Study](http://gendershades.org/overview.html) od Joy Buolamwini (MIT Media Labs) s [významným výskumným článkom](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) spoluautorky Timnit Gebru (vtedy v Microsoft Research), ktorý sa zameriaval na:
+
+ * **Čo:** Cieľom výskumného projektu bolo _hodnotiť predsudky prítomné v automatizovaných algoritmoch na analýzu tvárí a dátových súboroch_ na základe pohlavia a typu pokožky.
+ * **Prečo:** Analýza tvárí sa používa v oblastiach ako presadzovanie práva, bezpečnosť na letiskách, systémy na prijímanie zamestnancov a ďalšie - kontexty, kde nepresné klasifikácie (napr. kvôli predsudkom) môžu spôsobiť potenciálne ekonomické a sociálne škody dotknutým jednotlivcom alebo skupinám. Pochopenie (a eliminácia alebo zmiernenie) predsudkov je kľúčom k spravodlivosti pri používaní.
+ * **Ako:** Výskumníci si uvedomili, že existujúce benchmarky používali prevažne subjekty so svetlejšou pokožkou, a vytvorili nový dátový súbor (1000+ obrázkov), ktorý bol _viac vyvážený_ podľa pohlavia a typu pokožky. Tento dátový súbor bol použitý na hodnotenie presnosti troch produktov na klasifikáciu pohlavia (od Microsoftu, IBM a Face++).
+
+Výsledky ukázali, že hoci celková presnosť klasifikácie bola dobrá, existoval výrazný rozdiel v chybovosti medzi rôznymi podskupinami - s **nesprávnym určením pohlavia** častejším u žien alebo osôb s tmavšou pokožkou, čo naznačuje predsudky.
+
+**Kľúčové výsledky:** Zvýšenie povedomia o tom, že dátová veda potrebuje viac _reprezentatívnych dátových súborov_ (vyvážené podskupiny) a viac _inkluzívnych tímov_ (rôznorodé pozadie), aby sa takéto predsudky rozpoznali a eliminovali alebo zmiernili skôr v AI riešeniach. Výskumné úsilie ako toto je tiež zásadné pre mnohé organizácie pri definovaní princípov a praktík pre _zodpovednú AI_, aby sa zlepšila spravodlivosť naprieč ich AI produktmi a procesmi.
+
+**Chcete sa dozvedieť o relevantných výskumných aktivitách v Microsoft?**
+
+* Pozrite si [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) v oblasti umelej inteligencie.
+* Preskúmajte študentské projekty z [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Pozrite si projekt [Fairlearn](https://fairlearn.org/) a iniciatívy [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Data Science + Humanitné vedy
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Dátová veda & Digitálne humanitné vedy - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+Digitálne humanitné vedy [boli definované](https://digitalhumanities.stanford.edu/about-dh-stanford) ako "súbor praktík a prístupov kombinujúcich výpočtové metódy s humanistickým skúmaním". [Projekty Stanfordu](https://digitalhumanities.stanford.edu/projects) ako _"rebooting history"_ a _"poetic thinking"_ ilustrujú prepojenie medzi [digitálnymi humanitnými vedami a dátovou vedou](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - zdôrazňujúc techniky ako analýza sietí, vizualizácia informácií, priestorová a textová analýza, ktoré nám môžu pomôcť znovu preskúmať historické a literárne dátové súbory a odvodiť nové poznatky a perspektívy.
+
+*Chcete preskúmať a rozšíriť projekt v tejto oblasti?*
+
+Pozrite si ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - skvelý príklad od [Jen Looper](https://twitter.com/jenlooper), ktorý sa pýta, ako môžeme pomocou dátovej vedy znovu preskúmať známe básne a prehodnotiť ich význam a prínos ich autora v nových kontextoch. Napríklad, _môžeme predpovedať ročné obdobie, v ktorom bola báseň napísaná, analýzou jej tónu alebo sentimentu_ - a čo nám to hovorí o stave mysle autora počas relevantného obdobia?
+
+Na zodpovedanie tejto otázky nasledujeme kroky životného cyklu dátovej vedy:
+ * [`Získavanie dát`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - na zhromaždenie relevantného dátového súboru na analýzu. Možnosti zahŕňajú použitie API (napr. [Poetry DB API](https://poetrydb.org/index.html)) alebo scraping webových stránok (napr. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) pomocou nástrojov ako [Scrapy](https://scrapy.org/).
+ * [`Čistenie dát`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - vysvetľuje, ako môže byť text formátovaný, sanitizovaný a zjednodušený pomocou základných nástrojov ako Visual Studio Code a Microsoft Excel.
+ * [`Analýza dát`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - vysvetľuje, ako môžeme teraz importovať dátový súbor do "Notebooks" na analýzu pomocou Python balíkov (ako pandas, numpy a matplotlib) na organizáciu a vizualizáciu dát.
+ * [`Analýza sentimentu`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - vysvetľuje, ako môžeme integrovať cloudové služby ako Text Analytics, pomocou nástrojov s nízkym kódom ako [Power Automate](https://flow.microsoft.com/en-us/) na automatizované pracovné postupy spracovania dát.
+
+Pomocou tohto pracovného postupu môžeme preskúmať sezónne vplyvy na sentiment básní a pomôcť nám vytvoriť vlastné perspektívy o autorovi. Vyskúšajte to sami - potom rozšírte notebook, aby ste položili ďalšie otázky alebo vizualizovali dáta novými spôsobmi!
+
+> Môžete použiť niektoré nástroje z [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) na preskúmanie týchto otázok.
+
+## Data Science + Udržateľnosť
+
+| ![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Dátová veda & Udržateľnosť - _Sketchnote od [@nitya](https://twitter.com/nitya)_              |
+
+[Agenda 2030 pre udržateľný rozvoj](https://sdgs.un.org/2030agenda) - prijatá všetkými členmi OSN v roku 2015 - identifikuje 17 cieľov vrátane tých, ktoré sa zameriavajú na **ochranu planéty** pred degradáciou a dopadmi klimatických zmien. Iniciatíva [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) podporuje tieto ciele skúmaním spôsobov, ako technologické riešenia môžu podporiť a budovať udržateľnejšiu budúcnosť so [zameraním na 4 ciele](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - byť uhlíkovo negatívny, vodne pozitívny, bez odpadu a biodiverzný do roku 2030.
+
+Riešenie týchto výziev v škálovateľnom a včasnom meradle si vyžaduje cloudové myslenie - a veľké množstvo dát. Iniciatíva [Planetary Computer](https://planetarycomputer.microsoft.com/) poskytuje 4 komponenty, ktoré pomáhajú dátovým vedcom a vývojárom v tomto úsilí:
+
+ * [Katalóg dát](https://planetarycomputer.microsoft.com/catalog) - s petabajtmi dát o systémoch Zeme (bezplatné a hostované na Azure).
+ * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - na pomoc používateľom pri hľadaní relevantných dát naprieč priestorom a časom.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - spravované prostredie pre vedcov na sprac
+**Projekt Planetary Computer je momentálne v náhľade (k septembru 2021)** - tu je návod, ako začať prispievať k riešeniam udržateľnosti pomocou dátovej vedy.
+
+* [Požiadajte o prístup](https://planetarycomputer.microsoft.com/account/request), aby ste mohli začať s prieskumom a spojiť sa s kolegami.
+* [Preskúmajte dokumentáciu](https://planetarycomputer.microsoft.com/docs/overview/about), aby ste pochopili podporované datasety a API.
+* Preskúmajte aplikácie ako [Monitorovanie ekosystémov](https://analytics-lab.org/ecosystemmonitoring/) pre inšpiráciu na nápady aplikácií.
+
+Premýšľajte o tom, ako môžete využiť vizualizáciu dát na odhalenie alebo zvýraznenie relevantných poznatkov v oblastiach, ako sú klimatické zmeny a odlesňovanie. Alebo premýšľajte o tom, ako môžu byť poznatky použité na vytvorenie nových užívateľských zážitkov, ktoré motivujú k zmenám správania pre udržateľnejší život.
+
+## Dátová veda + študenti
+
+Hovorili sme o aplikáciách v reálnom svete v priemysle a výskume a preskúmali sme príklady aplikácií dátovej vedy v digitálnych humanitných vedách a udržateľnosti. Ako si teda môžete budovať svoje zručnosti a zdieľať svoje odborné znalosti ako začiatočníci v dátovej vede?
+
+Tu je niekoľko príkladov študentských projektov v dátovej vede, ktoré vás môžu inšpirovať.
+
+* [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) s GitHub [projektmi](https://github.com/msr-ds3), ktoré skúmajú témy ako:
+   - [Rasová zaujatosť v policajnom použití sily](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+   - [Spoľahlivosť systému metra v NYC](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+* [Digitalizácia materiálnej kultúry: Skúmanie socio-ekonomických rozdelení v Sirkape](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - od [Ornella Altunyan](https://twitter.com/ornelladotcom) a tímu z Claremont, s použitím [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Výzva
+
+Vyhľadajte články, ktoré odporúčajú projekty dátovej vedy vhodné pre začiatočníkov - ako napríklad [týchto 50 tém](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [týchto 21 nápadov na projekty](https://www.intellspot.com/data-science-project-ideas) alebo [týchto 16 projektov so zdrojovým kódom](https://data-flair.training/blogs/data-science-project-ideas/), ktoré môžete rozobrať a upraviť. A nezabudnite blogovať o svojich učebných cestách a zdieľať svoje poznatky s nami všetkými.
+
+## Kvíz po prednáške
+
+[Kvíz po prednáške](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Prehľad a samoštúdium
+
+Chcete preskúmať viac prípadov použitia? Tu je niekoľko relevantných článkov:
+* [17 aplikácií a príkladov dátovej vedy](https://builtin.com/data-science/data-science-applications-examples) - júl 2021
+* [11 úžasných aplikácií dátovej vedy v reálnom svete](https://myblindbird.com/data-science-applications-real-world/) - máj 2021
+* [Dátová veda v reálnom svete](https://towardsdatascience.com/data-science-in-the-real-world/home) - kolekcia článkov
+* Dátová veda v: [vzdelávaní](https://data-flair.training/blogs/data-science-in-education/), [poľnohospodárstve](https://data-flair.training/blogs/data-science-in-agriculture/), [financiách](https://data-flair.training/blogs/data-science-in-finance/), [filmoch](https://data-flair.training/blogs/data-science-at-movies/) a ďalších.
+
+## Zadanie
+
+[Preskúmajte dataset Planetary Computer](assignment.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..c15d8b62
--- /dev/null
+++ b/translations/sk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:51:58+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "sk"
+}
+-->
+# Preskúmajte dataset Planetary Computer
+
+## Pokyny
+
+V tejto lekcii sme hovorili o rôznych aplikačných oblastiach dátovej vedy – s podrobnými príkladmi týkajúcimi sa výskumu, udržateľnosti a digitálnych humanitných vied. V tejto úlohe preskúmate jeden z týchto príkladov podrobnejšie a aplikujete niektoré z vašich poznatkov o vizualizáciách a analýze dát, aby ste získali poznatky o údajoch týkajúcich sa udržateľnosti.
+
+Projekt [Planetary Computer](https://planetarycomputer.microsoft.com/) obsahuje datasety a API, ku ktorým je možné získať prístup pomocou účtu – požiadajte o prístup, ak chcete vyskúšať bonusový krok úlohy. Stránka tiež poskytuje funkciu [Explorer](https://planetarycomputer.microsoft.com/explore), ktorú môžete použiť bez vytvorenia účtu.
+
+`Kroky:`
+Rozhranie Explorer (zobrazené na snímke obrazovky nižšie) vám umožňuje vybrať dataset (z dostupných možností), prednastavený dotaz (na filtrovanie údajov) a možnosť vykreslenia (na vytvorenie relevantnej vizualizácie). Vašou úlohou v tejto úlohe je:
+
+ 1. Prečítajte si [dokumentáciu Explorer](https://planetarycomputer.microsoft.com/docs/overview/explorer/) – pochopte možnosti.
+ 2. Preskúmajte dataset [Katalóg](https://planetarycomputer.microsoft.com/catalog) – zistite účel každého datasetu.
+ 3. Použite Explorer – vyberte dataset, ktorý vás zaujíma, zvoľte relevantný dotaz a možnosť vykreslenia.
+
+![Explorer Planetary Computer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sk.png)
+
+`Vaša úloha:`
+Teraz preskúmajte vizualizáciu, ktorá sa zobrazí v prehliadači, a odpovedzte na nasledujúce otázky:
+ * Aké _vlastnosti_ má dataset?
+ * Aké _poznatky_ alebo výsledky poskytuje vizualizácia?
+ * Aké sú _dôsledky_ týchto poznatkov pre ciele udržateľnosti projektu?
+ * Aké sú _obmedzenia_ vizualizácie (t. j. aké poznatky ste nezískali)?
+ * Ak by ste mali prístup k surovým údajom, aké _alternatívne vizualizácie_ by ste vytvorili a prečo?
+
+`Bonusové body:`
+Požiadajte o účet – a prihláste sa po jeho schválení.
+ * Použite možnosť _Launch Hub_ na otvorenie surových údajov v Notebooku.
+ * Preskúmajte údaje interaktívne a implementujte alternatívne vizualizácie, ktoré ste si predstavili.
+ * Teraz analyzujte svoje vlastné vizualizácie – podarilo sa vám získať poznatky, ktoré vám predtým chýbali?
+
+## Hodnotiace kritériá
+
+Vynikajúce | Dostatočné | Potrebuje zlepšenie
+--- | --- | -- |
+Všetkých päť hlavných otázok bolo zodpovedaných. Študent jasne identifikoval, ako aktuálne a alternatívne vizualizácie môžu poskytnúť poznatky o cieľoch alebo výsledkoch udržateľnosti.| Študent odpovedal aspoň na prvé tri otázky podrobne, čo ukazuje, že mal praktické skúsenosti s Explorerom. | Študent nezodpovedal viaceré otázky alebo poskytol nedostatočné detaily – čo naznačuje, že nebol urobený zmysluplný pokus o splnenie úlohy |
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/6-Data-Science-In-Wild/README.md b/translations/sk/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..136bb314
--- /dev/null
+++ b/translations/sk/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:44:11+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science v praxi
+
+Reálne aplikácie dátovej vedy naprieč odvetviami.
+
+### Témy
+
+1. [Dátová veda v reálnom svete](20-Real-World-Examples/README.md)
+
+### Kredity
+
+Napísané s ❤️ od [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/CODE_OF_CONDUCT.md b/translations/sk/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..21aab8d7
--- /dev/null
+++ b/translations/sk/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:24:02+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "sk"
+}
+-->
+# Kódex správania pre otvorený zdroj od Microsoftu
+
+Tento projekt prijal [Kódex správania pre otvorený zdroj od Microsoftu](https://opensource.microsoft.com/codeofconduct/).
+
+Zdroje:
+
+- [Kódex správania pre otvorený zdroj od Microsoftu](https://opensource.microsoft.com/codeofconduct/)
+- [Často kladené otázky o kódexe správania](https://opensource.microsoft.com/codeofconduct/faq/)
+- Kontaktujte [opencode@microsoft.com](mailto:opencode@microsoft.com) v prípade otázok alebo obáv
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/CONTRIBUTING.md b/translations/sk/CONTRIBUTING.md
new file mode 100644
index 00000000..5145efa3
--- /dev/null
+++ b/translations/sk/CONTRIBUTING.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:26:52+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "sk"
+}
+-->
+# Prispievanie
+
+Tento projekt víta príspevky a návrhy. Väčšina príspevkov vyžaduje, aby ste súhlasili s Licenčnou zmluvou prispievateľa (CLA), ktorá potvrdzuje, že máte právo a skutočne udeľujete nám práva na použitie vášho príspevku. Podrobnosti nájdete na https://cla.microsoft.com.
+
+Keď odošlete pull request, CLA-bot automaticky určí, či musíte poskytnúť CLA, a primerane označí PR (napr. štítkom, komentárom). Jednoducho postupujte podľa pokynov poskytnutých botom. Toto budete musieť urobiť iba raz pre všetky repozitáre, ktoré používajú našu CLA.
+
+Tento projekt prijal [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/).
+Viac informácií nájdete v [Často kladených otázkach ku kódexu správania](https://opensource.microsoft.com/codeofconduct/faq/) 
+alebo kontaktujte [opencode@microsoft.com](mailto:opencode@microsoft.com) s akýmikoľvek ďalšími otázkami alebo pripomienkami.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/README.md b/translations/sk/README.md
new file mode 100644
index 00000000..32961b73
--- /dev/null
+++ b/translations/sk/README.md
@@ -0,0 +1,164 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:17:46+00:00",
+  "source_file": "README.md",
+  "language_code": "sk"
+}
+-->
+# Data Science pre začiatočníkov - Učebné osnovy
+
+Azure Cloud Advocates v Microsofte s radosťou ponúkajú 10-týždňový, 20-lekciový kurz o dátovej vede. Každá lekcia obsahuje kvízy pred a po lekcii, písomné pokyny na dokončenie lekcie, riešenie a zadanie. Náš projektovo orientovaný prístup vám umožní učiť sa prostredníctvom tvorby, čo je osvedčený spôsob, ako si nové zručnosti lepšie zapamätať.
+
+**Veľká vďaka našim autorom:** [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).
+
+**🙏 Špeciálne poďakovanie 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autorom, recenzentom a prispievateľom obsahu,** najmä 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 od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| Data Science pre začiatočníkov - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+## Oznámenie - Nové učebné osnovy o generatívnej AI práve vydané!
+
+Práve sme vydali 12-lekciový kurz o generatívnej AI. Naučte sa veci ako:
+
+- tvorba a optimalizácia promptov
+- generovanie textových a obrazových aplikácií
+- aplikácie na vyhľadávanie
+
+Ako obvykle, každá lekcia obsahuje zadania na dokončenie, kontrolu vedomostí a výzvy.
+
+Pozrite si to:
+
+> https://aka.ms/genai-beginners
+
+# Ste študent?
+
+Začnite s nasledujúcimi zdrojmi:
+
+- [Stránka Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na tejto stránke nájdete zdroje pre začiatočníkov, študentské balíčky a dokonca aj spôsoby, ako získať bezplatný certifikát. Túto stránku si určite uložte a pravidelne kontrolujte, pretože obsah meníme minimálne raz mesačne.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Pripojte sa ku globálnej komunite študentských ambasádorov, toto môže byť vaša cesta do Microsoftu.
+
+# Začíname
+
+> **Učitelia**: [pridali sme niekoľko návrhov](for-teachers.md) na to, ako používať tieto učebné osnovy. Radi by sme počuli váš názor [v našom diskusnom fóre](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Študenti](https://aka.ms/student-page)**: ak chcete používať tieto učebné osnovy samostatne, vytvorte si vlastnú kópiu celého repozitára a dokončite cvičenia sami, začnite kvízom pred lekciou. Potom si prečítajte lekciu a dokončite zvyšok aktivít. Pokúste sa vytvoriť projekty pochopením lekcií namiesto kopírovania kódu riešenia; tento kód je však dostupný v priečinkoch /solutions v každej projektovo orientovanej lekcii. Ďalším nápadom by bolo vytvoriť študijnú skupinu s priateľmi a prejsť obsah spolu. Pre ďalšie štúdium odporúčame [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Spoznajte tím
+
+[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
+
+**Gif od** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Kliknite na obrázok vyššie pre video o projekte a ľuďoch, ktorí ho vytvorili!
+
+## Pedagogika
+
+Pri tvorbe týchto učebných osnov sme sa rozhodli pre dva pedagogické princípy: zabezpečiť, aby boli projektovo orientované a aby obsahovali časté kvízy. Na konci tejto série sa študenti naučia základné princípy dátovej vedy, vrátane etických konceptov, prípravy dát, rôznych spôsobov práce s dátami, vizualizácie dát, analýzy dát, reálnych prípadov použitia dátovej vedy a ďalších.
+
+Okrem toho, kvíz s nízkym rizikom pred hodinou nastaví študentovu pozornosť na učenie sa témy, zatiaľ čo druhý kvíz po hodine zabezpečí lepšie zapamätanie. Tieto učebné osnovy boli navrhnuté tak, aby boli flexibilné a zábavné a mohli byť absolvované celé alebo čiastočne. Projekty začínajú malé a postupne sa stávajú zložitejšími na konci 10-týždňového cyklu.
+
+> Nájdite náš [Kódex správania](CODE_OF_CONDUCT.md), [Prispievanie](CONTRIBUTING.md), [Preklad](TRANSLATIONS.md) pokyny. Uvítame vašu konštruktívnu spätnú väzbu!
+
+## Každá lekcia obsahuje:
+
+- Voliteľný sketchnote
+- Voliteľné doplnkové video
+- Kvíz na rozohriatie pred lekciou
+- Písomná lekcia
+- Pre projektovo orientované lekcie, podrobné pokyny na vytvorenie projektu
+- Kontroly vedomostí
+- Výzvu
+- Doplnkové čítanie
+- Zadanie
+- Kvíz po lekcii
+
+> **Poznámka o kvízoch**: Všetky kvízy sú obsiahnuté v priečinku Quiz-App, celkovo 40 kvízov po tri otázky. Sú prepojené v rámci lekcií, ale aplikáciu kvízov je možné spustiť lokálne alebo nasadiť na Azure; postupujte podľa pokynov v priečinku `quiz-app`. Postupne sa lokalizujú.
+
+## Lekcie
+
+|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Data Science pre začiatočníkov: Cestovná mapa - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |
+
+| Číslo lekcie | Téma | Skupina lekcií | Ciele učenia | Prepojená lekcia | Autor |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Definovanie dátovej vedy | [Úvod](1-Introduction/README.md) | Naučte sa základné koncepty dátovej vedy a ako súvisí s umelou inteligenciou, strojovým učením a veľkými dátami. | [lekcia](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Etika dátovej vedy | [Úvod](1-Introduction/README.md) | Koncepty etiky dát, výzvy a rámce. | [lekcia](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Definovanie dát | [Úvod](1-Introduction/README.md) | Ako sú dáta klasifikované a ich bežné zdroje. | [lekcia](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Úvod do štatistiky a pravdepodobnosti | [Úvod](1-Introduction/README.md) | Matematické techniky pravdepodobnosti a štatistiky na pochopenie dát. | [lekcia](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Práca s relačnými dátami | [Práca s dátami](2-Working-With-Data/README.md) | Úvod do relačných dát a základy skúmania a analýzy relačných dát pomocou Structured Query Language, známeho ako SQL (vyslovuje sa „si-kvel“). | [lekcia](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Práca s NoSQL dátami | [Práca s dátami](2-Working-With-Data/README.md) | Úvod do nerelačných dát, ich rôznych typov a základy skúmania a analýzy dokumentových databáz. | [lekcia](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Práca s Pythonom | [Práca s dátami](2-Working-With-Data/README.md) | Základy používania Pythonu na skúmanie dát s knižnicami ako Pandas. Odporúča sa základné pochopenie programovania v Pythone. | [lekcia](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Príprava dát | [Práca s dátami](2-Working-With-Data/README.md) | Témy o technikách čistenia a transformácie dát na riešenie problémov s chýbajúcimi, nepresnými alebo neúplnými dátami. | [lekcia](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Vizualizácia množstiev | [Vizualizácia dát](3-Data-Visualization/README.md) | Naučte sa používať Matplotlib na vizualizáciu dát o vtákoch 🦆 | [lekcia](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Vizualizácia rozdelení dát | [Vizualizácia dát](3-Data-Visualization/README.md) | Vizualizácia pozorovaní a trendov v rámci intervalu. | [lekcia](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Vizualizácia proporcií | [Vizualizácia dát](3-Data-Visualization/README.md) | Vizualizácia diskrétnych a skupinových percentuálnych podielov. | [lekcia](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Vizualizácia vzťahov | [Vizualizácia dát](3-Data-Visualization/README.md) | Vizualizácia spojení a korelácií medzi súbormi dát a ich premennými. | [lekcia](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Zmysluplné vizualizácie | [Vizualizácia dát](3-Data-Visualization/README.md) | Techniky a odporúčania na vytváranie vizualizácií, ktoré sú hodnotné pre efektívne riešenie problémov a získavanie poznatkov. | [lekcia](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Úvod do životného cyklu dátovej vedy | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Úvod do životného cyklu dátovej vedy a jeho prvého kroku - získavania a extrakcie dát. | [lekcia](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Analýza | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu dátovej vedy sa zameriava na techniky analýzy dát. | [lekcia](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Komunikácia | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu dátovej vedy sa zameriava na prezentáciu poznatkov z dát spôsobom, ktorý uľahčuje ich pochopenie pre rozhodovacích činiteľov. | [lekcia](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Táto séria lekcií predstavuje dátovú vedu v cloude a jej výhody. | [lekcia](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 18 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Trénovanie modelov pomocou nástrojov s nízkym kódom. | [lekcia](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 19 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Nasadzovanie modelov pomocou Azure Machine Learning Studio. | [lekcia](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) |
+| 20 | Dátová veda v reálnom svete | [V reálnom svete](6-Data-Science-In-Wild/README.md) | Projekty založené na dátovej vede v reálnom svete. | [lekcia](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Postupujte podľa týchto krokov na otvorenie tejto ukážky v Codespace:
+1. Kliknite na rozbaľovacie menu Code a vyberte možnosť Open with Codespaces.
+2. Vyberte + New codespace v dolnej časti panela.
+Pre viac informácií si pozrite [dokumentáciu GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Postupujte podľa týchto krokov na otvorenie tohto repozitára v kontajneri pomocou vášho lokálneho počítača a VSCode s rozšírením VS Code Remote - Containers:
+
+1. Ak používate vývojový kontajner prvýkrát, uistite sa, že váš systém spĺňa predpoklady (napr. máte nainštalovaný Docker) uvedené v [dokumentácii pre začiatok](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+Na použitie tohto repozitára môžete buď otvoriť repozitár v izolovanom Docker objeme:
+
+**Poznámka**: V zákulisí sa použije príkaz Remote-Containers: **Clone Repository in Container Volume...** na klonovanie zdrojového kódu do Docker objemu namiesto lokálneho súborového systému. [Objemy](https://docs.docker.com/storage/volumes/) sú preferovaným mechanizmom na uchovávanie dát kontajnera.
+
+Alebo otvorte lokálne klonovanú alebo stiahnutú verziu repozitára:
+
+- Klonujte tento repozitár do vášho lokálneho súborového systému.
+- Stlačte F1 a vyberte príkaz **Remote-Containers: Open Folder in Container...**.
+- Vyberte klonovanú kópiu tohto priečinka, počkajte na spustenie kontajnera a vyskúšajte si veci.
+
+## Offline prístup
+
+Túto dokumentáciu môžete spustiť offline pomocou [Docsify](https://docsify.js.org/#/). Forknite tento repozitár, [nainštalujte Docsify](https://docsify.js.org/#/quickstart) na váš lokálny počítač, potom v koreňovom priečinku tohto repozitára zadajte `docsify serve`. Webová stránka bude dostupná na porte 3000 na vašom localhost: `localhost:3000`.
+
+> Poznámka, notebooky nebudú renderované cez Docsify, takže keď potrebujete spustiť notebook, urobte to samostatne vo VS Code s bežiacim Python kernelom.
+
+## Hľadáme pomoc!
+
+Ak by ste chceli preložiť celú alebo časť učebných materiálov, postupujte podľa nášho [návodu na preklady](TRANSLATIONS.md).
+
+## Ďalšie učebné materiály
+
+Náš tím vytvára aj ďalšie učebné materiály! Pozrite si:
+
+- [Generatívna AI pre začiatočníkov](https://aka.ms/genai-beginners)
+- [Generatívna AI pre začiatočníkov .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generatívna AI s JavaScriptom](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generatívna AI s Javou](https://aka.ms/genaijava)
+- [AI pre začiatočníkov](https://aka.ms/ai-beginners)
+- [Dátová veda pre začiatočníkov](https://aka.ms/datascience-beginners)
+- [ML pre začiatočníkov](https://aka.ms/ml-beginners)
+- [Kybernetická bezpečnosť pre začiatočníkov](https://github.com/microsoft/Security-101) 
+- [Webový vývoj pre začiatočníkov](https://aka.ms/webdev-beginners)
+- [IoT pre začiatočníkov](https://aka.ms/iot-beginners)
+- [XR vývoj pre začiatočníkov](https://github.com/microsoft/xr-development-for-beginners)
+- [Ovládnutie GitHub Copilot pre párové programovanie](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Ovládnutie GitHub Copilot pre C#/.NET vývojárov](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Vyberte si vlastné dobrodružstvo s Copilotom](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/SECURITY.md b/translations/sk/SECURITY.md
new file mode 100644
index 00000000..953c1843
--- /dev/null
+++ b/translations/sk/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:25:32+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "sk"
+}
+-->
+## Bezpečnosť
+
+Spoločnosť Microsoft berie bezpečnosť našich softvérových produktov a služieb vážne, čo zahŕňa aj všetky repozitáre zdrojového kódu spravované prostredníctvom našich organizácií na GitHube, medzi ktoré patria [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) a [naše GitHub organizácie](https://opensource.microsoft.com/).
+
+Ak sa domnievate, že ste našli bezpečnostnú zraniteľnosť v akomkoľvek repozitári vlastnenom spoločnosťou Microsoft, ktorá spĺňa [definíciu bezpečnostnej zraniteľnosti podľa Microsoftu](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), nahláste nám ju podľa nižšie uvedených pokynov.
+
+## Nahlasovanie bezpečnostných problémov
+
+**Prosím, nenahlasujte bezpečnostné zraniteľnosti prostredníctvom verejných GitHub issues.**
+
+Namiesto toho ich nahláste Microsoft Security Response Center (MSRC) na [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Ak uprednostňujete odoslanie bez prihlásenia, pošlite e-mail na [secure@microsoft.com](mailto:secure@microsoft.com). Ak je to možné, zašifrujte svoju správu pomocou nášho PGP kľúča; stiahnite si ho zo stránky [Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Odpoveď by ste mali dostať do 24 hodín. Ak z nejakého dôvodu nedostanete odpoveď, prosím, kontaktujte nás znova e-mailom, aby ste sa uistili, že sme vašu pôvodnú správu dostali. Ďalšie informácie nájdete na [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Prosím, zahrňte nižšie uvedené požadované informácie (v čo najväčšom rozsahu), aby sme lepšie pochopili povahu a rozsah možného problému:
+
+  * Typ problému (napr. pretečenie vyrovnávacej pamäte, SQL injekcia, cross-site scripting atď.)
+  * Úplné cesty zdrojových súborov súvisiacich s prejavom problému
+  * Umiestnenie postihnutého zdrojového kódu (tag/vetva/commit alebo priamy URL odkaz)
+  * Akákoľvek špeciálna konfigurácia potrebná na reprodukciu problému
+  * Krok za krokom inštrukcie na reprodukciu problému
+  * Proof-of-concept alebo exploit kód (ak je to možné)
+  * Dopad problému, vrátane toho, ako by útočník mohol problém zneužiť
+
+Tieto informácie nám pomôžu rýchlejšie spracovať vašu správu.
+
+Ak nahlasujete v rámci programu bug bounty, podrobnejšie správy môžu prispieť k vyššej odmene. Navštívte našu stránku [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) pre viac informácií o našich aktívnych programoch.
+
+## Preferované jazyky
+
+Uprednostňujeme, aby všetka komunikácia prebiehala v angličtine.
+
+## Politika
+
+Spoločnosť Microsoft sa riadi princípom [Koordinovaného zverejňovania zraniteľností](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/SUPPORT.md b/translations/sk/SUPPORT.md
new file mode 100644
index 00000000..3eb2fe90
--- /dev/null
+++ b/translations/sk/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:24+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "sk"
+}
+-->
+# Podpora
+## Ako nahlásiť problémy a získať pomoc  
+
+Tento projekt používa GitHub Issues na sledovanie chýb a požiadaviek na funkcie. Pred nahlásením nového problému si prosím prehľadajte existujúce problémy, aby ste sa vyhli duplicite. Pre nové problémy nahláste svoju chybu alebo požiadavku na funkciu ako nový Issue.
+
+Ak potrebujete pomoc alebo máte otázky týkajúce sa používania tohto projektu, nahláste problém.
+
+## Podpora podľa politiky spoločnosti Microsoft  
+
+Podpora pre toto úložisko je obmedzená na zdroje uvedené vyššie.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/docs/_sidebar.md b/translations/sk/docs/_sidebar.md
new file mode 100644
index 00000000..7c4cd1c8
--- /dev/null
+++ b/translations/sk/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:58:55+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "sk"
+}
+-->
+- Úvod
+  - [Definovanie dátovej vedy](../1-Introduction/01-defining-data-science/README.md)
+  - [Etika dátovej vedy](../1-Introduction/02-ethics/README.md)
+  - [Definovanie dát](../1-Introduction/03-defining-data/README.md)
+  - [Pravdepodobnosť a štatistika](../1-Introduction/04-stats-and-probability/README.md)
+- Práca s dátami
+  - [Relačné databázy](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Nerelačné databázy](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Príprava dát](../2-Working-With-Data/08-data-preparation/README.md)
+- Vizualizácia dát
+  - [Vizualizácia množstiev](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Vizualizácia rozdelení](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Vizualizácia proporcií](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Vizualizácia vzťahov](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Zmysluplné vizualizácie](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Životný cyklus dátovej vedy
+  - [Úvod](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Analýza](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Komunikácia](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Dátová veda v cloude
+  - [Úvod](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Dátová veda v praxi
+  - [Dátová veda v praxi](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/for-teachers.md b/translations/sk/for-teachers.md
new file mode 100644
index 00000000..2e8b9875
--- /dev/null
+++ b/translations/sk/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:22:41+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "sk"
+}
+-->
+## Pre pedagógov
+
+Chceli by ste použiť tento učebný plán vo svojej triede? Neváhajte!
+
+V skutočnosti ho môžete použiť priamo na GitHube pomocou GitHub Classroom.
+
+Na to si musíte tento repozitár forkovať. Budete potrebovať vytvoriť repozitár pre každú lekciu, takže budete musieť extrahovať každý priečinok do samostatného repozitára. Týmto spôsobom môže [GitHub Classroom](https://classroom.github.com/classrooms) spracovať každú lekciu samostatne.
+
+Tieto [podrobné pokyny](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vám poskytnú predstavu, ako nastaviť svoju triedu.
+
+## Použitie repozitára tak, ako je
+
+Ak by ste chceli použiť tento repozitár v jeho aktuálnej podobe, bez použitia GitHub Classroom, je to tiež možné. Budete musieť komunikovať so svojimi študentmi, ktorú lekciu majú spolu prejsť.
+
+V online formáte (Zoom, Teams alebo iné) môžete vytvoriť breakout miestnosti pre kvízy a mentorovať študentov, aby sa pripravili na učenie. Potom pozvite študentov na kvízy a nechajte ich odoslať svoje odpovede ako 'issues' v určitom čase. To isté môžete urobiť s úlohami, ak chcete, aby študenti pracovali spolu verejne.
+
+Ak preferujete súkromnejší formát, požiadajte svojich študentov, aby si forkli učebný plán, lekciu po lekcii, do svojich vlastných GitHub repozitárov ako súkromné repozitáre, a dajte vám prístup. Potom môžu dokončiť kvízy a úlohy súkromne a odoslať ich vám prostredníctvom issues vo vašom triednom repozitári.
+
+Existuje mnoho spôsobov, ako to môže fungovať v online triede. Dajte nám vedieť, čo vám najviac vyhovuje!
+
+## Obsah tohto učebného plánu:
+
+20 lekcií, 40 kvízov a 20 úloh. Sketchnotes sprevádzajú lekcie pre vizuálnych študentov. Mnohé lekcie sú dostupné v Python aj R a môžu byť dokončené pomocou Jupyter notebookov vo VS Code. Viac informácií o tom, ako nastaviť svoju triedu na používanie tejto technológie, nájdete tu: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Všetky sketchnotes, vrátane veľkoformátového plagátu, sú v [tomto priečinku](../../sketchnotes).
+
+Celý učebný plán je dostupný [ako PDF](../../pdf/readme.pdf).
+
+Tento učebný plán môžete tiež spustiť ako samostatnú, offline priateľskú webovú stránku pomocou [Docsify](https://docsify.js.org/#/). [Nainštalujte Docsify](https://docsify.js.org/#/quickstart) na svoj lokálny počítač, potom v koreňovom priečinku vašej lokálnej kópie tohto repozitára zadajte `docsify serve`. Webová stránka bude spustená na porte 3000 na vašom localhost: `localhost:3000`.
+
+Offline verzia učebného plánu sa otvorí ako samostatná webová stránka: https://localhost:3000
+
+Lekcie sú rozdelené do 6 častí:
+
+- 1: Úvod
+    - 1: Definovanie dátovej vedy
+    - 2: Etika
+    - 3: Definovanie dát
+    - 4: Prehľad pravdepodobnosti a štatistiky
+- 2: Práca s dátami
+    - 5: Relačné databázy
+    - 6: Nerelačné databázy
+    - 7: Python
+    - 8: Príprava dát
+- 3: Vizualizácia dát
+    - 9: Vizualizácia množstiev
+    - 10: Vizualizácia distribúcií
+    - 11: Vizualizácia proporcií
+    - 12: Vizualizácia vzťahov
+    - 13: Zmysluplné vizualizácie
+- 4: Životný cyklus dátovej vedy
+    - 14: Úvod
+    - 15: Analýza
+    - 16: Komunikácia
+- 5: Dátová veda v cloude
+    - 17: Úvod
+    - 18: Možnosti s nízkym kódom
+    - 19: Azure
+- 6: Dátová veda v praxi
+    - 20: Prehľad
+
+## Prosíme, dajte nám vedieť svoje názory!
+
+Chceme, aby tento učebný plán fungoval pre vás a vašich študentov. Prosíme, poskytnite nám spätnú väzbu na diskusných fórach! Neváhajte vytvoriť oblasť pre triedu na diskusných fórach pre vašich študentov.
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/quiz-app/README.md b/translations/sk/quiz-app/README.md
new file mode 100644
index 00000000..f505dd5e
--- /dev/null
+++ b/translations/sk/quiz-app/README.md
@@ -0,0 +1,141 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:19:26+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "sk"
+}
+-->
+# Kvízy
+
+Tieto kvízy sú prednáškové a povýučbové kvízy pre učebný plán dátovej vedy na https://aka.ms/datascience-beginners
+
+## Pridanie preloženej sady kvízov
+
+Pridajte preklad kvízu vytvorením zodpovedajúcich štruktúr kvízov v priečinkoch `assets/translations`. Kanonické kvízy sa nachádzajú v `assets/translations/en`. Kvízy sú rozdelené do niekoľkých skupín. Uistite sa, že číslovanie zodpovedá správnej sekcii kvízu. V tomto učebnom pláne je celkovo 40 kvízov, pričom číslovanie začína od 0.
+
+Po úprave prekladov upravte súbor index.js v priečinku s prekladmi tak, aby importoval všetky súbory podľa konvencií v `en`.
+
+Upravte súbor `index.js` v `assets/translations`, aby importoval nové preložené súbory.
+
+Potom upravte rozbaľovací zoznam v `App.vue` v tejto aplikácii, aby ste pridali svoj jazyk. Zlaďte lokalizovanú skratku s názvom priečinka pre váš jazyk.
+
+Nakoniec upravte všetky odkazy na kvízy v preložených lekciách, ak existujú, aby obsahovali túto lokalizáciu ako parameter dotazu: `?loc=fr`, napríklad.
+
+
+
+## Nastavenie projektu
+
+```
+npm install
+```
+
+### Kompilácia a automatické načítanie pre vývoj
+
+```
+npm run serve
+```
+
+### Kompilácia a minimalizácia pre produkciu
+
+```
+npm run build
+```
+
+### Kontrola a oprava súborov
+
+```
+npm run lint
+```
+
+### Prispôsobenie konfigurácie
+
+Pozrite si [Referenciu konfigurácie](https://cli.vuejs.org/config/).
+
+Kredity: Vďaka pôvodnej verzii tejto aplikácie na kvízy: https://github.com/arpan45/simple-quiz-vue
+
+## Nasadenie na Azure
+
+Tu je krok za krokom návod, ktorý vám pomôže začať:
+
+1. Forknite GitHub repozitár  
+Uistite sa, že váš kód statickej webovej aplikácie je vo vašom GitHub repozitári. Forknite tento repozitár.
+
+2. Vytvorte Azure Static Web App  
+- Vytvorte si [Azure účet](http://azure.microsoft.com)  
+- Prejdite na [Azure portál](https://portal.azure.com)  
+- Kliknite na „Create a resource“ a vyhľadajte „Static Web App“.  
+- Kliknite na „Create“.  
+
+3. Konfigurácia Static Web App  
+- Základy:  
+  - Subscription: Vyberte svoje Azure predplatné.  
+  - Resource Group: Vytvorte novú skupinu zdrojov alebo použite existujúcu.  
+  - Name: Zadajte názov pre vašu statickú webovú aplikáciu.  
+  - Region: Vyberte región najbližší k vašim používateľom.  
+
+- #### Detaily nasadenia:  
+  - Source: Vyberte „GitHub“.  
+  - GitHub Account: Autorizujte Azure na prístup k vášmu GitHub účtu.  
+  - Organization: Vyberte svoju GitHub organizáciu.  
+  - Repository: Vyberte repozitár obsahujúci vašu statickú webovú aplikáciu.  
+  - Branch: Vyberte vetvu, z ktorej chcete nasadzovať.  
+
+- #### Detaily zostavenia:  
+  - Build Presets: Vyberte framework, s ktorým je vaša aplikácia vytvorená (napr. React, Angular, Vue, atď.).  
+  - App Location: Uveďte priečinok obsahujúci kód vašej aplikácie (napr. /, ak je v koreňovom priečinku).  
+  - API Location: Ak máte API, uveďte jeho umiestnenie (voliteľné).  
+  - Output Location: Uveďte priečinok, kde sa generuje výstup zostavenia (napr. build alebo dist).  
+
+4. Kontrola a vytvorenie  
+Skontrolujte svoje nastavenia a kliknite na „Create“. Azure nastaví potrebné zdroje a vytvorí GitHub Actions workflow vo vašom repozitári.
+
+5. GitHub Actions Workflow  
+Azure automaticky vytvorí GitHub Actions workflow súbor vo vašom repozitári (.github/workflows/azure-static-web-apps-<name>.yml). Tento workflow bude spracovávať proces zostavenia a nasadenia.
+
+6. Monitorovanie nasadenia  
+Prejdite na kartu „Actions“ vo vašom GitHub repozitári.  
+Mali by ste vidieť bežiaci workflow. Tento workflow zostaví a nasadí vašu statickú webovú aplikáciu na Azure.  
+Po dokončení workflowu bude vaša aplikácia dostupná na poskytnutej Azure URL.
+
+### Príklad workflow súboru
+
+Tu je príklad, ako môže vyzerať GitHub Actions workflow súbor:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Ďalšie zdroje  
+- [Dokumentácia Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [Dokumentácia GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**Upozornenie**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/sketchnotes/README.md b/translations/sk/sketchnotes/README.md
new file mode 100644
index 00000000..6eaa3750
--- /dev/null
+++ b/translations/sk/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:36+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "sk"
+}
+-->
+Nájdite všetky sketchnoty tu!
+
+## Kredity
+
+Nitya Narasimhan, umelkyňa
+
+![sketchnota cestovnej mapy](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sk.png)
+
+---
+
+**Zrieknutie sa zodpovednosti**:  
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/01-defining-data-science/README.md b/translations/sw/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..a7c9323b
--- /dev/null
+++ b/translations/sw/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,80 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-26T15:18:27+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "sw"
+}
+-->
+## Aina za Data
+
+Kama tulivyotaja tayari, data ipo kila mahali. Tunahitaji tu kuikusanya kwa njia sahihi! Ni muhimu kutofautisha kati ya **data iliyopangiliwa** na **data isiyopangiliwa**. Data iliyopangiliwa mara nyingi huwakilishwa kwa mfumo uliopangiliwa vizuri, mara nyingi kama jedwali au idadi ya majedwali, wakati data isiyopangiliwa ni mkusanyiko wa faili tu. Wakati mwingine tunaweza pia kuzungumzia **data nusu-pangiliwa**, ambayo ina aina fulani ya muundo unaoweza kutofautiana sana.
+
+| Iliyopangiliwa                                                              | Nusu-pangiliwa                                                                                 | Isiyopangiliwa                          |
+| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
+| Orodha ya watu na namba zao za simu                                         | Kurasa za Wikipedia zenye viungo                                                                | Maandishi ya Encyclopedia Britannica    |
+| Joto katika vyumba vyote vya jengo kila dakika kwa miaka 20 iliyopita       | Mkusanyiko wa makala za kisayansi katika muundo wa JSON zenye waandishi, tarehe ya kuchapishwa, na muhtasari | Hifadhi ya faili yenye nyaraka za kampuni |
+| Data ya umri na jinsia ya watu wote wanaoingia jengo                        | Kurasa za mtandao                                                                               | Video ghafi kutoka kamera ya ufuatiliaji |
+
+## Wapi pa Kupata Data
+
+Kuna vyanzo vingi vya data, na itakuwa vigumu kuorodhesha vyote! Hata hivyo, hebu tutaje baadhi ya maeneo ya kawaida ambapo unaweza kupata data:
+
+* **Iliyopangiliwa**
+  - **Internet of Things** (IoT), ikijumuisha data kutoka kwa sensa mbalimbali, kama sensa za joto au shinikizo, hutoa data nyingi muhimu. Kwa mfano, ikiwa jengo la ofisi lina sensa za IoT, tunaweza kudhibiti kiotomatiki joto na taa ili kupunguza gharama.
+  - **Utafiti** tunaowauliza watumiaji kukamilisha baada ya ununuzi, au baada ya kutembelea tovuti.
+  - **Uchambuzi wa tabia** unaweza, kwa mfano, kutusaidia kuelewa jinsi mtumiaji anavyotumia tovuti, na sababu ya kawaida ya kuondoka kwenye tovuti.
+* **Isiyopangiliwa**
+  - **Maandishi** yanaweza kuwa chanzo tajiri cha maarifa, kama alama ya jumla ya **hisia**, au uchimbaji wa maneno muhimu na maana ya kisemantiki.
+  - **Picha** au **Video**. Video kutoka kamera ya ufuatiliaji inaweza kutumika kukadiria msongamano wa magari barabarani, na kuwajulisha watu kuhusu foleni zinazoweza kutokea.
+  - **Kumbukumbu za seva ya mtandao** zinaweza kutumika kuelewa ni kurasa zipi za tovuti yetu zinatembelewa mara nyingi zaidi, na kwa muda gani.
+* Nusu-pangiliwa
+  - **Grafu za Mitandao ya Kijamii** zinaweza kuwa vyanzo bora vya data kuhusu tabia za watumiaji na ufanisi wao wa kusambaza taarifa.
+  - Tunapokuwa na mkusanyiko wa picha kutoka sherehe, tunaweza kujaribu kuchambua data ya **Dinamiki ya Kundi** kwa kujenga grafu ya watu wanaopiga picha pamoja.
+
+Kwa kujua vyanzo mbalimbali vya data, unaweza kujaribu kufikiria hali tofauti ambapo mbinu za sayansi ya data zinaweza kutumika kuelewa hali vizuri zaidi, na kuboresha michakato ya biashara.
+
+## Unachoweza Kufanya na Data
+
+Katika Sayansi ya Data, tunazingatia hatua zifuatazo za safari ya data:
+
+Bila shaka, kulingana na data halisi, baadhi ya hatua zinaweza kukosekana (mfano, tunapokuwa tayari na data kwenye hifadhidata, au tunapokuwa hatuhitaji mafunzo ya modeli), au baadhi ya hatua zinaweza kurudiwa mara kadhaa (kama usindikaji wa data).
+
+## Dijitalizaji na Mabadiliko ya Kidijitali
+
+Katika muongo uliopita, biashara nyingi zimeanza kuelewa umuhimu wa data katika kufanya maamuzi ya kibiashara. Ili kutumia kanuni za sayansi ya data katika kuendesha biashara, mtu kwanza anahitaji kukusanya data fulani, yaani kutafsiri michakato ya biashara katika mfumo wa kidijitali. Hii inajulikana kama **dijitalizaji**. Kutumia mbinu za sayansi ya data kwa data hii ili kuongoza maamuzi kunaweza kusababisha ongezeko kubwa la tija (au hata mabadiliko ya biashara), yanayoitwa **mabadiliko ya kidijitali**.
+
+Hebu tuzingatie mfano. Tuseme tuna kozi ya sayansi ya data (kama hii) tunayoitoa mtandaoni kwa wanafunzi, na tunataka kutumia sayansi ya data kuiboresha. Tunawezaje kufanya hivyo?
+
+Tunaweza kuanza kwa kujiuliza "Nini kinaweza kudijitalizwa?" Njia rahisi zaidi itakuwa kupima muda unaochukua kila mwanafunzi kukamilisha kila moduli, na kupima maarifa yaliyopatikana kwa kutoa mtihani wa chaguo nyingi mwishoni mwa kila moduli. Kwa kuhesabu wastani wa muda wa kukamilisha kwa wanafunzi wote, tunaweza kugundua ni moduli zipi zinazosababisha ugumu zaidi kwa wanafunzi, na kufanya kazi ya kuzirahisisha.
+Unaweza kusema kwamba mbinu hii si bora, kwa sababu moduli zinaweza kuwa na urefu tofauti. Inawezekana ni haki zaidi kugawa muda kulingana na urefu wa moduli (kwa idadi ya herufi), na kulinganisha thamani hizo badala yake.
+Tunapoanza kuchambua matokeo ya mitihani ya kuchagua jibu sahihi, tunaweza kujaribu kubaini ni dhana zipi wanafunzi wanapata ugumu wa kuelewa, na kutumia taarifa hiyo kuboresha maudhui. Ili kufanya hivyo, tunahitaji kubuni mitihani kwa njia ambayo kila swali linaendana na dhana fulani au kipande cha maarifa.
+
+Ikiwa tunataka kufanya uchambuzi wa kina zaidi, tunaweza kuchora muda unaotumika kwa kila moduli dhidi ya kundi la umri wa wanafunzi. Tunaweza kugundua kwamba kwa baadhi ya makundi ya umri, inachukua muda mrefu kupita kiasi kukamilisha moduli, au kwamba wanafunzi wanajiondoa kabla ya kuikamilisha. Hii inaweza kutusaidia kutoa mapendekezo ya umri kwa moduli, na kupunguza kutoridhika kwa watu kutokana na matarajio yasiyo sahihi.
+
+## 🚀 Changamoto
+
+Katika changamoto hii, tutajaribu kutafuta dhana zinazohusiana na uwanja wa Sayansi ya Takwimu kwa kuangalia maandishi. Tutachukua makala ya Wikipedia kuhusu Sayansi ya Takwimu, kupakua na kuchakata maandishi, kisha kujenga wingu la maneno kama hili:
+
+![Wingu la Maneno kwa Sayansi ya Takwimu](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sw.png)
+
+Tembelea [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') kusoma kupitia msimbo. Unaweza pia kuendesha msimbo, na kuona jinsi unavyofanya mabadiliko ya data kwa muda halisi.
+
+> Ikiwa hujui jinsi ya kuendesha msimbo katika Jupyter Notebook, angalia [makala hii](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Majukumu
+
+* **Kazi ya 1**: Badilisha msimbo hapo juu ili kutafuta dhana zinazohusiana na nyanja za **Big Data** na **Machine Learning**
+* **Kazi ya 2**: [Fikiria Kuhusu Matukio ya Sayansi ya Takwimu](assignment.md)
+
+## Credits
+
+Somo hili limeandikwa kwa ♥️ na [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/01-defining-data-science/assignment.md b/translations/sw/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..dcdaaca9
--- /dev/null
+++ b/translations/sw/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-26T15:24:22+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kazi: Matukio ya Sayansi ya Takwimu
+
+Katika kazi hii ya kwanza, tunakuomba ufikirie kuhusu mchakato au tatizo la maisha halisi katika nyanja tofauti za matatizo, na jinsi unavyoweza kuboresha kwa kutumia mchakato wa Sayansi ya Takwimu. Fikiria yafuatayo:
+
+1. Ni takwimu gani unaweza kukusanya?
+1. Utazikusanya vipi?
+1. Utazihifadhi vipi? Takwimu hizi zinaweza kuwa kubwa kiasi gani?
+1. Ni maarifa gani unaweza kupata kutoka kwa takwimu hizi? Ni maamuzi gani tunaweza kuchukua kwa msingi wa takwimu hizi?
+
+Jaribu kufikiria kuhusu matatizo/michakato 3 tofauti na eleza kila moja ya hoja zilizo juu kwa kila nyanja ya tatizo.
+
+Hapa kuna baadhi ya nyanja za matatizo na matatizo ambayo yanaweza kukusaidia kuanza kufikiria:
+
+1. Unawezaje kutumia takwimu kuboresha mchakato wa elimu kwa watoto shuleni?
+1. Unawezaje kutumia takwimu kudhibiti chanjo wakati wa janga?
+1. Unawezaje kutumia takwimu kuhakikisha unakuwa na tija kazini?
+
+## Maelekezo
+
+Jaza jedwali lifuatalo (badilisha nyanja za matatizo zilizopendekezwa na zako mwenyewe ikiwa inahitajika):
+
+| Nyanja ya Tatizo | Tatizo | Takwimu za kukusanya | Jinsi ya kuhifadhi takwimu | Maarifa/Maamuzi tunaweza kufanya | 
+|------------------|--------|---------------------|---------------------------|----------------------------------|
+| Elimu            |        |                     |                           |                                  |
+| Chanjo           |        |                     |                           |                                  |
+| Tija             |        |                     |                           |                                  |
+
+## Rubric
+
+Bora Zaidi | Inafaa | Inahitaji Kuboresha
+--- | --- | -- |
+Mtu aliweza kutambua vyanzo vya takwimu vinavyofaa, njia za kuhifadhi takwimu na maamuzi/maarifa yanayowezekana kwa nyanja zote za matatizo | Baadhi ya vipengele vya suluhisho havijafafanuliwa, uhifadhi wa takwimu haujadiliwa, angalau nyanja 2 za matatizo zimeelezwa | Sehemu tu za suluhisho la takwimu zimeelezwa, nyanja moja tu ya tatizo imezingatiwa.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/sw/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..1c017695
--- /dev/null
+++ b/translations/sw/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,47 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-26T15:25:48+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kazi: Matukio ya Sayansi ya Takwimu
+
+Katika kazi hii ya kwanza, tunakuomba ufikirie kuhusu mchakato au tatizo la maisha halisi katika nyanja tofauti za matatizo, na jinsi unavyoweza kuboresha kwa kutumia mchakato wa Sayansi ya Takwimu. Fikiria yafuatayo:
+
+1. Ni data gani unaweza kukusanya?
+1. Utakusanya vipi data hiyo?
+1. Utahifadhi vipi data hiyo? Data hiyo inaweza kuwa kubwa kiasi gani?
+1. Ni maarifa gani unaweza kupata kutoka kwa data hiyo? Ni maamuzi gani tunaweza kuchukua kwa msingi wa data hiyo?
+
+Jaribu kufikiria kuhusu matatizo/michakato 3 tofauti na eleza kila moja ya hoja zilizo hapo juu kwa kila nyanja ya tatizo.
+
+Hapa kuna baadhi ya nyanja za matatizo na matatizo ambayo yanaweza kukusaidia kuanza kufikiria:
+
+1. Unawezaje kutumia data kuboresha mchakato wa elimu kwa watoto shuleni?
+1. Unawezaje kutumia data kudhibiti chanjo wakati wa janga?
+1. Unawezaje kutumia data kuhakikisha unakuwa na tija kazini?
+## Maelekezo
+
+Jaza jedwali lifuatalo (badilisha nyanja za matatizo zilizopendekezwa na zako mwenyewe ikiwa inahitajika):
+
+| Nyanja ya Tatizo | Tatizo | Data gani ya kukusanya | Jinsi ya kuhifadhi data | Maarifa/Maamuzi gani tunaweza kufanya | 
+|------------------|--------|-----------------------|-------------------------|---------------------------------------|
+| Elimu | Katika chuo kikuu, mara nyingi tunakuwa na mahudhurio ya chini kwenye mihadhara, na tuna dhana kwamba wanafunzi wanaohudhuria mihadhara kwa wastani hufanya vizuri zaidi kwenye mitihani. Tunataka kuchochea mahudhurio na kupima dhana hiyo. | Tunaweza kufuatilia mahudhurio kupitia picha zinazopigwa na kamera za usalama darasani, au kwa kufuatilia anwani za bluetooth/wifi za simu za wanafunzi darasani. Data ya mitihani tayari ipo kwenye hifadhidata ya chuo kikuu. | Ikiwa tunafuatilia picha za kamera za usalama - tunahitaji kuhifadhi picha chache (5-10) wakati wa darasa (data isiyo na muundo), kisha kutumia AI kutambua nyuso za wanafunzi (kubadilisha data kuwa muundo). | Tunaweza kuhesabu data ya wastani ya mahudhurio kwa kila mwanafunzi, na kuona kama kuna uhusiano wowote na alama za mitihani. Tutazungumzia zaidi kuhusu uhusiano katika sehemu ya [uwezekano na takwimu](../../04-stats-and-probability/README.md). Ili kuchochea mahudhurio ya wanafunzi, tunaweza kuchapisha viwango vya mahudhurio vya kila wiki kwenye tovuti ya shule, na kutoa zawadi kwa wale wenye mahudhurio ya juu zaidi. |
+| Chanjo | | | | |
+| Tija | | | | |
+
+> *Tunatoa jibu moja tu kama mfano, ili uweze kupata wazo la kile kinachotarajiwa katika kazi hii.*
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | -- |
+Mtu aliweza kutambua vyanzo vya data vinavyofaa, njia za kuhifadhi data na maamuzi/maarifa yanayowezekana kwa nyanja zote za matatizo | Baadhi ya vipengele vya suluhisho havijafafanuliwa, uhifadhi wa data haujadiliwa, angalau nyanja 2 za matatizo zimeelezwa | Sehemu tu za suluhisho la data zimeelezwa, nyanja moja tu ya tatizo imezingatiwa.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/02-ethics/README.md b/translations/sw/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..07d3d684
--- /dev/null
+++ b/translations/sw/1-Introduction/02-ethics/README.md
@@ -0,0 +1,264 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-26T15:00:21+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "sw"
+}
+-->
+# Utangulizi wa Maadili ya Takwimu
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Maadili ya Sayansi ya Takwimu - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Sote ni raia wa takwimu tunaoishi katika ulimwengu uliojaa data.
+
+Mwelekeo wa soko unaonyesha kwamba kufikia mwaka wa 2022, shirika moja kati ya matatu kubwa litanunua na kuuza data yake kupitia [Masoko na Mabadilishano ya Mtandaoni](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kama **Watengenezaji wa Programu**, tutapata urahisi na gharama nafuu ya kuunganisha maarifa yanayotokana na data na otomatiki inayotokana na algorithimu katika uzoefu wa kila siku wa watumiaji. Lakini kadri AI inavyoenea, tutahitaji pia kuelewa madhara yanayoweza kusababishwa na [utumiaji mbaya](https://www.youtube.com/watch?v=TQHs8SA1qpk) wa algorithimu hizo kwa kiwango kikubwa.
+
+Mwelekeo pia unaonyesha kwamba tutazalisha na kutumia zaidi ya [zettabyte 180](https://www.statista.com/statistics/871513/worldwide-data-created/) za data kufikia mwaka wa 2025. Kama **Wanasayansi wa Takwimu**, hii inatupa viwango vya kipekee vya ufikiaji wa data ya kibinafsi. Hii inamaanisha tunaweza kujenga maelezo ya tabia za watumiaji na kushawishi maamuzi kwa njia zinazounda [udanganyifu wa chaguo huru](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) huku tukiwashawishi watumiaji kuelekea matokeo tunayopendelea. Pia inazua maswali mapana kuhusu faragha ya data na ulinzi wa watumiaji.
+
+Maadili ya takwimu sasa ni _miongozo muhimu_ kwa sayansi ya takwimu na uhandisi, yakitusaidia kupunguza madhara yanayoweza kutokea na matokeo yasiyotarajiwa kutoka kwa vitendo vyetu vinavyotegemea data. [Mzunguko wa Hype wa Gartner kwa AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) unataja mwelekeo muhimu katika maadili ya kidijitali, AI inayowajibika, na usimamizi wa AI kama vichochezi vikuu vya mwelekeo mkubwa wa _demokrasia_ na _viwanda_ vya AI.
+
+![Mzunguko wa Hype wa Gartner kwa AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+Katika somo hili, tutachunguza eneo la kuvutia la maadili ya takwimu - kuanzia dhana za msingi na changamoto, hadi masomo ya kesi na dhana za AI zinazotumika kama usimamizi - ambazo husaidia kuanzisha utamaduni wa maadili katika timu na mashirika yanayofanya kazi na data na AI.
+
+## [Jaribio la awali la somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Ufafanuzi wa Msingi
+
+Tuanzie kwa kuelewa istilahi za msingi.
+
+Neno "maadili" linatokana na [neno la Kigiriki "ethikos"](https://en.wikipedia.org/wiki/Ethics) (na mzizi wake "ethos") linalomaanisha _tabia au asili ya maadili_. 
+
+**Maadili** yanahusu maadili ya pamoja na kanuni za kimaadili zinazotawala tabia yetu katika jamii. Maadili hayategemei sheria bali yanategemea kanuni zinazokubalika kwa ujumla kuhusu kile kilicho "sahihi dhidi ya makosa". Hata hivyo, masuala ya kimaadili yanaweza kuathiri mipango ya usimamizi wa mashirika na kanuni za serikali zinazounda motisha zaidi ya kufuata.
+
+**Maadili ya Takwimu** ni [tawi jipya la maadili](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) linalochunguza na kutathmini matatizo ya kimaadili yanayohusiana na _data, algorithimu na mazoea yanayohusiana_. Hapa, **"data"** inazingatia vitendo vinavyohusiana na uzalishaji, kurekodi, kutunza, kuchakata, kusambaza, kushiriki, na matumizi, **"algorithimu"** inazingatia AI, mawakala, kujifunza kwa mashine, na roboti, na **"mazoea"** yanazingatia mada kama uvumbuzi unaowajibika, programu, udukuzi, na kanuni za maadili.
+
+**Maadili Yanayotumika** ni [matumizi ya vitendo ya masuala ya kimaadili](https://en.wikipedia.org/wiki/Applied_ethics). Ni mchakato wa kuchunguza masuala ya kimaadili kwa bidii katika muktadha wa _vitendo halisi, bidhaa na michakato_, na kuchukua hatua za kurekebisha ili kuhakikisha kwamba zinabaki kulingana na maadili yetu yaliyofafanuliwa.
+
+**Utamaduni wa Maadili** unahusu [_utekelezaji_ wa maadili yanayotumika](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ili kuhakikisha kwamba kanuni na mazoea yetu ya kimaadili yanapitishwa kwa njia thabiti na inayoweza kupanuka katika shirika zima. Utamaduni wa maadili uliofanikiwa hufafanua kanuni za kimaadili za shirika, hutoa motisha yenye maana ya kufuata, na kuimarisha kanuni za maadili kwa kuhimiza na kukuza tabia zinazotakiwa katika kila ngazi ya shirika.
+
+## Dhana za Maadili
+
+Katika sehemu hii, tutajadili dhana kama **maadili ya pamoja** (kanuni) na **changamoto za kimaadili** (matatizo) kwa maadili ya takwimu - na kuchunguza **masomo ya kesi** yanayokusaidia kuelewa dhana hizi katika muktadha wa ulimwengu halisi.
+
+### 1. Kanuni za Maadili
+
+Kila mkakati wa maadili ya takwimu huanza kwa kufafanua _kanuni za kimaadili_ - "maadili ya pamoja" yanayoelezea tabia zinazokubalika, na kuongoza vitendo vinavyofuata sheria, katika miradi yetu ya data na AI. Unaweza kufafanua hizi katika ngazi ya mtu binafsi au timu. Hata hivyo, mashirika makubwa mengi hufafanua hizi katika taarifa ya dhamira ya _AI inayowajibika_ au mfumo unaofafanuliwa katika ngazi ya shirika na kutekelezwa kwa uthabiti katika timu zote.
+
+**Mfano:** Taarifa ya dhamira ya [AI inayowajibika](https://www.microsoft.com/en-us/ai/responsible-ai) ya Microsoft inasema: _"Tumejitolea kuendeleza AI inayotokana na kanuni za kimaadili zinazoweka watu mbele"_ - ikitambua kanuni 6 za kimaadili katika mfumo ulio hapa chini:
+
+![AI inayowajibika katika Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Hebu tuchunguze kwa ufupi kanuni hizi. _Uwajibikaji_ na _uwazi_ ni maadili ya msingi ambayo kanuni nyingine zinajengwa juu yake - kwa hivyo tuanze hapo:
+
+* [**Uwajibikaji**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) huwafanya watendaji _wajibike_ kwa shughuli zao za data na AI, na kufuata kanuni hizi za kimaadili.
+* [**Uwazi**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) huhakikisha kwamba vitendo vya data na AI vinaweza kueleweka (kufasiriwa) na watumiaji, kuelezea nini na kwa nini nyuma ya maamuzi.
+* [**Haki**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - inazingatia kuhakikisha AI inawatendea _watu wote_ kwa haki, ikishughulikia upendeleo wowote wa kijamii au wa kiufundi katika data na mifumo.
+* [**Uaminifu na Usalama**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - huhakikisha kwamba AI inatenda _kwa uthabiti_ kulingana na maadili yaliyofafanuliwa, ikipunguza madhara yanayoweza kutokea au matokeo yasiyotarajiwa.
+* [**Faragha na Usalama**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - inahusu kuelewa mwelekeo wa data, na kutoa _faragha ya data na ulinzi unaohusiana_ kwa watumiaji.
+* [**Ujumuishi**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - inahusu kubuni suluhisho za AI kwa makusudi, kuzibadilisha ili kukidhi _mahitaji na uwezo mbalimbali ya binadamu_.
+
+> 🚨 Fikiria kuhusu taarifa yako ya dhamira ya maadili ya takwimu inaweza kuwa nini. Chunguza mifumo ya AI inayowajibika kutoka kwa mashirika mengine - hapa kuna mifano kutoka [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), na [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Ni maadili gani ya pamoja wanayo? Kanuni hizi zinahusiana vipi na bidhaa za AI au sekta wanayofanya kazi ndani yake?
+
+### 2. Changamoto za Maadili
+
+Mara tu tunapokuwa na kanuni za kimaadili zilizofafanuliwa, hatua inayofuata ni kutathmini vitendo vyetu vya data na AI ili kuona kama vinakubaliana na maadili hayo ya pamoja. Fikiria kuhusu vitendo vyako katika makundi mawili: _ukusanyaji wa data_ na _muundo wa algorithimu_.
+
+Katika ukusanyaji wa data, vitendo vinaweza kuhusisha **data ya kibinafsi** au taarifa zinazoweza kumtambua mtu (PII) kwa watu wanaotambulika. Hii inajumuisha [vitu mbalimbali vya data isiyo ya kibinafsi](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ambavyo _kwa pamoja_ vinaweza kumtambua mtu. Changamoto za kimaadili zinaweza kuhusiana na _faragha ya data_, _umiliki wa data_, na mada zinazohusiana kama _idhini ya taarifa_ na _haki za mali ya kiakili_ kwa watumiaji.
+
+Katika muundo wa algorithimu, vitendo vitahusisha kukusanya na kutunza **seti za data**, kisha kuzitumia kufundisha na kupeleka **miundo ya data** inayotabiri matokeo au kuendesha maamuzi katika muktadha wa ulimwengu halisi. Changamoto za kimaadili zinaweza kutokea kutokana na _upendeleo wa seti ya data_, _masuala ya ubora wa data_, _kutokuwa na haki_, na _upotoshaji_ katika algorithimu - ikiwa ni pamoja na masuala mengine ambayo ni ya mfumo.
+
+Katika hali zote mbili, changamoto za maadili zinaonyesha maeneo ambapo vitendo vyetu vinaweza kukutana na migogoro na maadili yetu ya pamoja. Ili kugundua, kupunguza, kupunguza, au kuondoa wasiwasi huu - tunahitaji kuuliza maswali ya kimaadili ya "ndiyo/hapana" yanayohusiana na vitendo vyetu, kisha kuchukua hatua za kurekebisha inapohitajika. Hebu tuangalie baadhi ya changamoto za kimaadili na maswali ya kimaadili wanayozua:
+
+#### 2.1 Umiliki wa Data
+
+Ukusanyaji wa data mara nyingi unahusisha data ya kibinafsi inayoweza kumtambua mhusika wa data. [Umiliki wa data](https://permission.io/blog/data-ownership) unahusu _udhibiti_ na [_haki za mtumiaji_](https://permission.io/blog/data-ownership) zinazohusiana na uundaji, uchakataji, na usambazaji wa data.
+
+Maswali ya kimaadili tunayotakiwa kuuliza ni:
+ * Nani anamiliki data? (mtumiaji au shirika)
+ * Ni haki gani walizonazo wahusika wa data? (mfano: ufikiaji, kufutwa, kubebeka)
+ * Ni haki gani mashirika yanayo? (mfano: kurekebisha hakiki za watumiaji zenye nia mbaya)
+
+#### 2.2 Idhini ya Taarifa
+
+[Idhini ya taarifa](https://legaldictionary.net/informed-consent/) inafafanua kitendo cha watumiaji kukubali hatua (kama ukusanyaji wa data) kwa _ufahamu kamili_ wa ukweli muhimu ikiwa ni pamoja na madhumuni, hatari zinazoweza kutokea, na mbadala.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, mtumiaji (mhusika wa data) alitoa ruhusa ya kukamata na kutumia data?
+ * Je, mtumiaji alielewa madhumuni ya kukamatwa kwa data hiyo?
+ * Je, mtumiaji alielewa hatari zinazoweza kutokea kutokana na ushiriki wao?
+
+#### 2.3 Mali ya Kiakili
+
+[Mali ya kiakili](https://en.wikipedia.org/wiki/Intellectual_property) inahusu ubunifu usioonekana unaotokana na juhudi za binadamu, ambao unaweza _kuwa na thamani ya kiuchumi_ kwa watu binafsi au biashara.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, data iliyokusanywa ilikuwa na thamani ya kiuchumi kwa mtumiaji au biashara?
+ * Je, **mtumiaji** ana mali ya kiakili hapa?
+ * Je, **shirika** lina mali ya kiakili hapa?
+ * Ikiwa haki hizi zipo, tunazilindaje?
+
+#### 2.4 Faragha ya Data
+
+[Faragha ya data](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) au faragha ya taarifa inahusu uhifadhi wa faragha ya mtumiaji na ulinzi wa utambulisho wa mtumiaji kuhusiana na taarifa zinazoweza kumtambua mtu.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, data ya kibinafsi ya watumiaji imelindwa dhidi ya udukuzi na uvujaji?
+ * Je, data ya watumiaji inapatikana tu kwa watumiaji na muktadha walioidhinishwa?
+ * Je, kutokujulikana kwa mtumiaji kunahifadhiwa wakati data inashirikiwa au kusambazwa?
+ * Je, mtumiaji anaweza kutotambulika kutoka kwa seti za data zilizofichwa?
+
+#### 2.5 Haki ya Kusahaulika
+
+[Haki ya Kusahaulika](https://en.wikipedia.org/wiki/Right_to_be_forgotten) au [Haki ya Kufutwa](https://www.gdpreu.org/right-to-be-forgotten/) hutoa ulinzi wa ziada wa data ya kibinafsi kwa watumiaji. Hasa, inawapa watumiaji haki ya kuomba kufutwa au kuondolewa kwa data ya kibinafsi kutoka kwa tafuta za mtandaoni na maeneo mengine, _chini ya hali maalum_ - ikiwapa mwanzo mpya mtandaoni bila matendo ya zamani kushikiliwa dhidi yao.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, mfumo unaruhusu wahusika wa data kuomba kufutwa?
+ * Je, uondoaji wa idhini ya mtumiaji unapaswa kusababisha kufutwa kiotomatiki?
+ * Je, data ilikusanywa bila idhini au kwa njia zisizo halali?
+ * Je, tunafuata kanuni za serikali kuhusu faragha ya data?
+
+#### 2.6 Upendeleo wa Seti ya Data
+
+Upendeleo wa seti ya data au [Upendeleo wa Ukusanyaji](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) unahusu kuchagua sehemu _isiyowakilisha_ ya data kwa ajili ya maendeleo ya algorithimu, na kuunda kutokuwa na haki kwa matokeo ya matokeo kwa vikundi mbalimbali. Aina za upendeleo ni pamoja na upendeleo wa uteuzi au sampuli, upendeleo wa kujitolea, na upendeleo wa chombo.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, tulikusanya seti ya wahusika wa data inayowakilisha?
+ * Je, tulijaribu seti yetu ya data iliyokusanywa au iliyotunzwa kwa upendeleo mbalimbali?
+ * Je, tunaweza kupunguza au kuondoa upendeleo wowote uliogunduliwa?
+
+#### 2.7 Ubora wa Data
+
+[Ubora wa Data](https://lakefs.io/data-quality-testing/) huangalia uhalali wa seti ya data iliyotunzwa inayotumika kuendeleza algorithimu zetu, ikichunguza kuona kama vipengele na rekodi zinakidhi mahitaji ya kiwango cha usahihi na uthabiti kinachohitajika kwa madhumuni yetu ya AI.
+
+Maswali ya kuchunguza hapa ni:
+ * Je, tulikamata vipengele halali kwa kesi yetu ya matumizi?
+ * Je, data ilikamatwa kwa _uthabiti_ katika vyanzo mbalimbali vya data?
+ *
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) inachunguza kama muundo wa algorithimu unawabagua kwa mfumo maalum makundi fulani ya watu, na kusababisha [madhara yanayoweza kutokea](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) katika _ugawaji_ (ambapo rasilimali zinanyimwa au hazitolewi kwa kundi hilo) na _ubora wa huduma_ (ambapo AI haifanyi kazi kwa usahihi kwa baadhi ya makundi kama inavyofanya kwa mengine).
+
+Maswali ya kuzingatia hapa ni:
+ * Je, tulipima usahihi wa modeli kwa makundi na hali mbalimbali?
+ * Je, tulichunguza mfumo kwa madhara yanayoweza kutokea (mfano, ubaguzi)?
+ * Je, tunaweza kurekebisha data au kufundisha upya modeli ili kupunguza madhara yaliyotambuliwa?
+
+Chunguza rasilimali kama [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ili kujifunza zaidi.
+
+#### 2.9 Upotoshaji
+
+[Upotoshaji wa Data](https://www.sciencedirect.com/topics/computer-science/misrepresentation) unahusu kujiuliza kama tunawasilisha maarifa kutoka kwa data iliyoripotiwa kwa uaminifu kwa njia ya udanganyifu ili kuunga mkono simulizi inayotakiwa.
+
+Maswali ya kuzingatia hapa ni:
+ * Je, tunaripoti data isiyo kamili au isiyo sahihi?
+ * Je, tunaonyesha data kwa njia inayosababisha hitimisho la kupotosha?
+ * Je, tunatumia mbinu za takwimu za kuchagua ili kudanganya matokeo?
+ * Je, kuna maelezo mbadala yanayoweza kutoa hitimisho tofauti?
+
+#### 2.10 Uchaguzi Huru
+[Udanganyifu wa Uchaguzi Huru](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) hutokea pale ambapo "miundo ya uchaguzi" ya mfumo hutumia algorithimu za kufanya maamuzi kuwashawishi watu kuchukua matokeo yanayopendelewa huku wakionekana kuwa na chaguo na udhibiti. [Mifumo ya giza](https://www.darkpatterns.org/) inaweza kusababisha madhara ya kijamii na kiuchumi kwa watumiaji. Kwa kuwa maamuzi ya watumiaji yanaathiri wasifu wa tabia, vitendo hivi vinaweza kuendesha chaguo za baadaye ambazo zinaweza kuongeza au kupanua madhara haya.
+
+Maswali ya kuzingatia hapa ni:
+ * Je, mtumiaji alielewa athari za kufanya uchaguzi huo?
+ * Je, mtumiaji alikuwa na ufahamu wa chaguo (mbadala) na faida & hasara za kila moja?
+ * Je, mtumiaji anaweza kubatilisha uchaguzi uliofanywa kiotomatiki au ulioathiriwa baadaye?
+
+### 3. Uchunguzi wa Matukio
+
+Ili kuweka changamoto hizi za kimaadili katika muktadha wa ulimwengu halisi, inasaidia kuangalia uchunguzi wa matukio unaoonyesha madhara na matokeo yanayoweza kutokea kwa watu binafsi na jamii, pale ambapo ukiukaji wa maadili hauzingatiwi.
+
+Hapa kuna mifano kadhaa:
+
+| Changamoto ya Maadili | Uchunguzi wa Tukio  | 
+|--- |--- |
+| **Idhini ya Habari** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Wanaume wa Kiafrika-Amerika waliokuwa washiriki wa utafiti waliahidiwa huduma ya matibabu _lakini walidanganywa_ na watafiti ambao hawakuwajulisha washiriki kuhusu utambuzi wao au upatikanaji wa matibabu. Washiriki wengi walikufa & wenzi au watoto waliathirika; utafiti ulidumu miaka 40. | 
+| **Faragha ya Data** |  2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) iliwapa watafiti _alama za filamu milioni 10 zilizofichwa kutoka kwa wateja 50,000_ ili kusaidia kuboresha algorithimu za mapendekezo. Hata hivyo, watafiti waliweza kuhusisha data iliyofichwa na data inayotambulika kibinafsi katika _seti za data za nje_ (mfano, maoni ya IMDb) - kwa ufanisi "kufichua" baadhi ya wateja wa Netflix.|
+| **Upendeleo wa Ukusanyaji**  | 2013 - Jiji la Boston [liliunda Street Bump](https://www.boston.gov/transportation/street-bump), programu iliyowaruhusu raia kuripoti mashimo, ikilipa jiji data bora ya barabara kutambua na kurekebisha matatizo. Hata hivyo, [watu katika makundi ya kipato cha chini walikuwa na upatikanaji mdogo wa magari na simu](https://hbr.org/2013/04/the-hidden-biases-in-big-data), na kufanya matatizo yao ya barabara kuwa yasiyoonekana katika programu hii. Waendelezaji walifanya kazi na wasomi kushughulikia _masuala ya upatikanaji sawa na mgawanyiko wa kidijitali_ kwa haki. |
+| **Haki ya Algorithimu**  | 2018 - Utafiti wa MIT [Gender Shades Study](http://gendershades.org/overview.html) ulitathmini usahihi wa bidhaa za AI za uainishaji wa jinsia, ukifichua mapungufu ya usahihi kwa wanawake na watu wa rangi. [Kadi ya Apple ya 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ilionekana kutoa mkopo mdogo kwa wanawake kuliko wanaume. Zote zilionyesha masuala ya upendeleo wa algorithimu yanayosababisha madhara ya kijamii na kiuchumi.|
+| **Upotoshaji wa Data** | 2020 - [Idara ya Afya ya Georgia ilitoa chati za COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ambazo zilionekana kupotosha raia kuhusu mwenendo wa kesi zilizothibitishwa kwa mpangilio usio wa kimaandishi kwenye mhimili wa x. Hii inaonyesha upotoshaji kupitia mbinu za kuonyesha. |
+| **Udanganyifu wa uchaguzi huru** | 2020 - Programu ya kujifunza [ABCmouse ililipa $10M kumaliza malalamiko ya FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ambapo wazazi walinaswa kulipa kwa usajili ambao hawakuweza kufuta. Hii inaonyesha mifumo ya giza katika miundo ya uchaguzi, ambapo watumiaji walishawishiwa kuchukua chaguo zinazoweza kuwa na madhara. |
+| **Faragha ya Data & Haki za Watumiaji** | 2021 - [Uvujaji wa Data wa Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ulifichua data kutoka kwa watumiaji milioni 530, na kusababisha makubaliano ya $5B na FTC. Hata hivyo, ilikataa kuwajulisha watumiaji kuhusu uvujaji huo, ikikiuka haki za watumiaji kuhusu uwazi wa data na upatikanaji. |
+
+Unataka kuchunguza uchunguzi zaidi wa matukio? Angalia rasilimali hizi:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - changamoto za maadili katika sekta mbalimbali. 
+* [Kozi ya Maadili ya Sayansi ya Data](https://www.coursera.org/learn/data-science-ethics#syllabus) - uchunguzi wa matukio muhimu unachunguzwa.
+* [Mahali mambo yameenda vibaya](https://deon.drivendata.org/examples/) - orodha ya Deon yenye mifano.
+
+> 🚨 Fikiria kuhusu uchunguzi wa matukio uliyoona - je, umewahi kukumbana au kuathiriwa na changamoto ya kimaadili kama hiyo maishani mwako? Je, unaweza kufikiria angalau uchunguzi mmoja wa tukio unaoonyesha mojawapo ya changamoto za kimaadili tulizojadili katika sehemu hii?
+
+## Maadili ya Kazi
+
+Tumeelezea dhana za maadili, changamoto, na uchunguzi wa matukio katika muktadha wa ulimwengu halisi. Lakini tunaanzaje _kutumia_ kanuni na mazoea ya kimaadili katika miradi yetu? Na tunafanyaje _utekelezaji_ wa mazoea haya kwa utawala bora? Hebu tuchunguze suluhisho za ulimwengu halisi:
+
+### 1. Kanuni za Kitaaluma
+
+Kanuni za Kitaaluma zinatoa chaguo moja kwa mashirika "kuhamasisha" wanachama kuunga mkono kanuni zao za kimaadili na taarifa ya dhamira. Kanuni ni _miongozo ya kimaadili_ kwa tabia ya kitaaluma, kusaidia wafanyakazi au wanachama kufanya maamuzi yanayolingana na kanuni za shirika lao. Zinategemea utii wa hiari kutoka kwa wanachama; hata hivyo, mashirika mengi hutoa tuzo na adhabu za ziada kuhamasisha utii kutoka kwa wanachama.
+
+Mifano ni pamoja na:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kanuni za Maadili
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kanuni za Tabia (iliundwa 2013)
+ * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (tangu 1993)
+
+> 🚨 Je, wewe ni mwanachama wa shirika la uhandisi au sayansi ya data? Chunguza tovuti yao ili kuona kama wanataja kanuni za kitaaluma za maadili. Hii inasema nini kuhusu kanuni zao za kimaadili? Wanahamasishaje wanachama kufuata kanuni hizo?
+
+### 2. Orodha za Maadili
+
+Wakati kanuni za kitaaluma zinafafanua tabia ya _kimaadili_ inayohitajika kutoka kwa wataalamu, [zina mapungufu yanayojulikana](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) katika utekelezaji, hasa katika miradi mikubwa. Badala yake, wataalamu wengi wa Sayansi ya Data [wanapendekeza orodha za ukaguzi](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ambazo zinaweza **kuunganisha kanuni na mazoea** kwa njia za kimaamuzi na zinazoweza kutekelezwa.
+
+Orodha za ukaguzi hubadilisha maswali kuwa kazi za "ndiyo/hapana" zinazoweza kutekelezwa, na kuruhusu kufuatiliwa kama sehemu ya mtiririko wa kazi wa kawaida wa kutolewa bidhaa.
+
+Mifano ni pamoja na:
+ * [Deon](https://deon.drivendata.org/) - orodha ya ukaguzi ya maadili ya data ya matumizi ya jumla iliyoundwa kutoka kwa [mapendekezo ya sekta](https://deon.drivendata.org/#checklist-citations) na zana ya mstari wa amri kwa urahisi wa ujumuishaji.
+ * [Orodha ya Ukaguzi wa Ukaguzi wa Faragha](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - inatoa mwongozo wa jumla kwa mazoea ya kushughulikia taarifa kutoka kwa mitazamo ya kisheria na kijamii.
+ * [Orodha ya Ukaguzi wa Haki ya AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - iliyoundwa na wataalamu wa AI kusaidia kupitishwa na ujumuishaji wa ukaguzi wa haki katika mizunguko ya maendeleo ya AI.
+ * [Maswali 22 kwa maadili katika data na AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - mfumo wa wazi zaidi, uliopangwa kwa uchunguzi wa awali wa masuala ya kimaadili katika muundo, utekelezaji, na muktadha wa shirika.
+
+### 3. Kanuni za Maadili
+
+Maadili yanahusu kufafanua maadili ya pamoja na kufanya jambo sahihi _kwa hiari_. **Utii** unahusu _kufuata sheria_ ikiwa na pale inapofafanuliwa. **Utawala** kwa ujumla unahusu njia zote ambazo mashirika yanafanya kazi kutekeleza kanuni za kimaadili na kufuata sheria zilizowekwa.
+
+Leo, utawala unachukua aina mbili ndani ya mashirika. Kwanza, ni kuhusu kufafanua kanuni za **AI ya kimaadili** na kuanzisha mazoea ya kutekeleza kupitishwa kwa miradi yote inayohusiana na AI katika shirika. Pili, ni kuhusu kufuata kanuni zote za serikali zinazohitajika za **ulinzi wa data** kwa maeneo inayoendesha.
+
+Mifano ya kanuni za ulinzi wa data na faragha:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - inasimamia _serikali ya shirikisho_ ukusanyaji, matumizi, na ufichuzi wa taarifa za kibinafsi.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - inalinda data ya afya ya kibinafsi.
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - inalinda faragha ya data ya watoto chini ya miaka 13.
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - inatoa haki za watumiaji, ulinzi wa data, na faragha.
+ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) inawapa watumiaji haki zaidi juu ya data yao (ya kibinafsi).
+ * `2021`, Sheria ya [Ulinzi wa Taarifa za Kibinafsi ya China](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) imepitishwa, ikianzisha mojawapo ya kanuni kali zaidi za faragha ya data mtandaoni duniani.
+
+> 🚨 Umoja wa Ulaya ulifafanua GDPR (Kanuni ya Ulinzi wa Data ya Jumla) ambayo inabaki kuwa mojawapo ya kanuni zenye ushawishi mkubwa wa faragha ya data leo. Je, unajua pia inafafanua [haki 8 za watumiaji](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) kulinda faragha ya kidijitali na data ya kibinafsi ya raia? Jifunze kuhusu haki hizi ni zipi, na kwa nini zinajali.
+
+### 4. Utamaduni wa Maadili
+
+Kumbuka kuwa kuna pengo lisiloonekana kati ya _utii_ (kufanya vya kutosha kufikia "barua ya sheria") na kushughulikia [masuala ya kimfumo](https://www.coursera.org/learn/data-science-ethics/home/week/4) (kama ugumu, usawa wa taarifa, na kutokuwepo kwa usawa wa usambazaji) ambayo yanaweza kuharakisha silaha ya AI.
+
+Hili linahitaji [njia za ushirikiano za kufafanua utamaduni wa maadili](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) zinazojenga uhusiano wa kihisia na maadili ya pamoja yanayolingana _katika mashirika_ katika sekta hiyo. Hii inahitaji zaidi [utamaduni rasmi wa maadili ya data](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) katika mashirika - kuruhusu _mtu yeyote_ [kuvuta kamba ya Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (kuibua wasiwasi wa kimaadili mapema katika mchakato) na kufanya _tathmini za kimaadili_ (mfano, katika kuajiri) kuwa kigezo cha msingi cha uundaji wa timu katika miradi ya AI.
+
+---
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## Mapitio & Kujisomea 
+
+Kozi na vitabu husaidia kuelewa dhana za msingi za maadili na changamoto, wakati uchunguzi wa matukio na zana husaidia na mazoea ya maadili yanayotumika katika muktadha wa ulimwengu halisi. Hapa kuna rasilimali chache za kuanza nazo.
+
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - somo kuhusu Haki, kutoka Microsoft.
+* [Kanuni za AI Inayowajibika](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - njia ya kujifunza bila malipo kutoka Microsoft Learn.  
+* [Maadili na Sayansi ya Takwimu](https://resources.oreilly.com/examples/0636920203964) - Kitabu cha O'Reilly (M. Loukides, H. Mason na wengineo)  
+* [Maadili ya Sayansi ya Takwimu](https://www.coursera.org/learn/data-science-ethics#syllabus) - kozi ya mtandaoni kutoka Chuo Kikuu cha Michigan.  
+* [Maadili Yaliyofafanuliwa](https://ethicsunwrapped.utexas.edu/case-studies) - masomo ya kesi kutoka Chuo Kikuu cha Texas.  
+
+# Kazi  
+
+[Andika Kisa cha Maadili ya Takwimu](assignment.md)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asilia katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/02-ethics/assignment.md b/translations/sw/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..2ccdcaf5
--- /dev/null
+++ b/translations/sw/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-26T15:16:34+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "sw"
+}
+-->
+## Andika Uchunguzi wa Kesi ya Maadili ya Takwimu
+
+## Maelekezo
+
+Umejifunza kuhusu [Changamoto za Maadili ya Takwimu](README.md#2-ethics-challenges) na umeona mifano ya [Uchunguzi wa Kesi](README.md#3-case-studies) inayoonyesha changamoto za maadili ya takwimu katika muktadha wa maisha halisi.
+
+Katika kazi hii, utaandika uchunguzi wako wa kesi unaoonyesha changamoto ya maadili ya takwimu kutoka kwa uzoefu wako mwenyewe, au kutoka kwa muktadha wa maisha halisi unaoufahamu. Fuata tu hatua hizi:
+
+1. `Chagua Changamoto ya Maadili ya Takwimu`. Angalia [mifano ya somo](README.md#2-ethics-challenges) au tafuta mifano mtandaoni kama [Orodha ya Deon](https://deon.drivendata.org/examples/) ili kupata msukumo.
+
+2. `Eleza Mfano wa Maisha Halisi`. Fikiria kuhusu hali ambayo umesikia (vichwa vya habari, utafiti wa kisayansi n.k.) au umepitia (jamii ya karibu), ambapo changamoto hii maalum ilitokea. Fikiria kuhusu maswali ya maadili ya takwimu yanayohusiana na changamoto hiyo - na jadili madhara au matokeo yasiyotarajiwa yanayotokana na suala hili. Alama za ziada: fikiria kuhusu suluhisho au michakato inayoweza kutumika hapa kusaidia kuondoa au kupunguza athari mbaya za changamoto hii.
+
+3. `Toa Orodha ya Rasilimali Zinazohusiana`. Shiriki rasilimali moja au zaidi (viungo vya makala, chapisho la blogu ya kibinafsi au picha, karatasi ya utafiti mtandaoni n.k.) ili kuthibitisha kuwa hili lilitokea katika maisha halisi. Alama za ziada: shiriki rasilimali zinazoonyesha madhara na matokeo kutoka tukio hilo, au kuonyesha hatua chanya zilizochukuliwa ili kuzuia kurudiwa kwake.
+
+
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | -- |
+Changamoto moja au zaidi za maadili ya takwimu zimetambuliwa. <br/> <br/> Uchunguzi wa kesi unaeleza wazi tukio la maisha halisi linaloonyesha changamoto hiyo, na linaangazia matokeo yasiyofaa au madhara yaliyosababishwa. <br/><br/> Kuna angalau rasilimali moja iliyounganishwa kuthibitisha hili lilitokea. | Changamoto moja ya maadili ya takwimu imetambuliwa. <br/><br/> Angalau madhara au matokeo moja yanayohusiana yamejadiliwa kwa ufupi. <br/><br/> Hata hivyo, mjadala ni mdogo au unakosa uthibitisho wa tukio la maisha halisi. | Changamoto ya takwimu imetambuliwa. <br/><br/> Hata hivyo, maelezo au rasilimali hazionyeshi vya kutosha changamoto hiyo au kuthibitisha tukio lake katika maisha halisi. |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/03-defining-data/README.md b/translations/sw/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..56241a38
--- /dev/null
+++ b/translations/sw/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,84 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-26T15:27:22+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufafanua Data
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Kufafanua Data - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Data ni ukweli, taarifa, uchunguzi na vipimo vinavyotumika kufanya ugunduzi na kusaidia maamuzi yenye ufahamu. Kipengele cha data ni kitengo kimoja cha data ndani ya seti ya data, ambayo ni mkusanyiko wa vipengele vya data. Seti za data zinaweza kuwa katika miundo na fomati tofauti, na mara nyingi zitategemea chanzo chake, au mahali data ilipotoka. Kwa mfano, mapato ya kila mwezi ya kampuni yanaweza kuwa kwenye lahajedwali lakini data ya kiwango cha moyo kwa saa kutoka kwa saa ya mkononi inaweza kuwa katika fomati ya [JSON](https://stackoverflow.com/a/383699). Ni kawaida kwa wanasayansi wa data kufanya kazi na aina tofauti za data ndani ya seti ya data.
+
+Somo hili linazingatia kutambua na kuainisha data kulingana na sifa zake na vyanzo vyake.
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+## Jinsi Data Inavyoelezwa
+
+### Data Ghafi
+Data ghafi ni data ambayo imetoka kwenye chanzo chake katika hali yake ya awali na haijachambuliwa au kupangwa. Ili kuelewa kinachotokea na seti ya data, inahitaji kupangwa katika fomati inayoweza kueleweka na binadamu pamoja na teknolojia wanayoweza kutumia kuichambua zaidi. Muundo wa seti ya data unaelezea jinsi ilivyopangwa na inaweza kuainishwa kama iliyopangwa, isiyo na mpangilio, na nusu iliyopangwa. Aina hizi za muundo zitabadilika, kulingana na chanzo lakini hatimaye zitaingia katika mojawapo ya makundi haya matatu.
+
+### Data ya Kiasi
+Data ya kiasi ni uchunguzi wa nambari ndani ya seti ya data na mara nyingi inaweza kuchambuliwa, kupimwa, na kutumika kihisabati. Baadhi ya mifano ya data ya kiasi ni: idadi ya watu wa nchi, urefu wa mtu, au mapato ya kila robo ya kampuni. Kwa uchambuzi wa ziada, data ya kiasi inaweza kutumika kugundua mwenendo wa msimu wa Kielezo cha Ubora wa Hewa (AQI) au kukadiria uwezekano wa msongamano wa magari wakati wa saa za kazi za kawaida.
+
+### Data ya Ubora
+Data ya ubora, inayojulikana pia kama data ya kategoria, ni data ambayo haiwezi kupimwa kwa njia ya malengo kama uchunguzi wa data ya kiasi. Kwa ujumla ni fomati mbalimbali za data ya maoni inayorekodi ubora wa kitu, kama bidhaa au mchakato. Wakati mwingine, data ya ubora ni ya nambari lakini haitatumika kihisabati, kama namba za simu au mihuri ya muda. Baadhi ya mifano ya data ya ubora ni: maoni ya video, chapa na modeli ya gari, au rangi unayopenda ya rafiki yako wa karibu. Data ya ubora inaweza kutumika kuelewa ni bidhaa zipi wateja wanapenda zaidi au kutambua maneno maarufu katika wasifu wa maombi ya kazi.
+
+### Data Iliyopangwa
+Data iliyopangwa ni data ambayo imepangwa katika safu na nguzo, ambapo kila safu itakuwa na seti sawa ya nguzo. Nguzo zinawakilisha thamani ya aina fulani na zitatambuliwa kwa jina linaloelezea kile thamani inawakilisha, wakati safu zina thamani halisi. Nguzo mara nyingi zitakuwa na seti maalum ya sheria au vizuizi juu ya thamani, ili kuhakikisha kuwa thamani zinawakilisha nguzo kwa usahihi. Kwa mfano, fikiria lahajedwali la wateja ambapo kila safu lazima iwe na namba ya simu na namba za simu hazina herufi za alfabeti. Kunaweza kuwa na sheria zinazotumika kwenye nguzo ya namba ya simu ili kuhakikisha kuwa haijawahi kuwa tupu na ina namba pekee.
+
+Faida ya data iliyopangwa ni kwamba inaweza kupangwa kwa njia ambayo inaweza kuhusishwa na data nyingine iliyopangwa. Hata hivyo, kwa sababu data imeundwa kupangwa kwa njia maalum, kufanya mabadiliko kwenye muundo wake wa jumla kunaweza kuchukua juhudi nyingi. Kwa mfano, kuongeza nguzo ya barua pepe kwenye lahajedwali la wateja ambayo haiwezi kuwa tupu inamaanisha utahitaji kujua jinsi ya kuongeza thamani hizi kwenye safu zilizopo za wateja katika seti ya data.
+
+Mifano ya data iliyopangwa: lahajedwali, hifadhidata za uhusiano, namba za simu, taarifa za benki.
+
+### Data Isiyo na Mpangilio
+Data isiyo na mpangilio kwa kawaida haiwezi kuainishwa katika safu au nguzo na haina fomati au seti ya sheria za kufuata. Kwa sababu data isiyo na mpangilio ina vizuizi vichache juu ya muundo wake, ni rahisi kuongeza taarifa mpya ikilinganishwa na seti ya data iliyopangwa. Ikiwa sensor inayorekodi data ya shinikizo la anga kila dakika 2 imepokea sasisho linaloruhusu kupima na kurekodi joto, haitahitaji kubadilisha data iliyopo ikiwa ni isiyo na mpangilio. Hata hivyo, hii inaweza kufanya uchambuzi au uchunguzi wa aina hii ya data kuchukua muda mrefu. Kwa mfano, mwanasayansi anayetaka kupata wastani wa joto la mwezi uliopita kutoka kwa data ya sensor, lakini anakuta kuwa sensor ilirekodi "e" katika baadhi ya data yake ili kuonyesha kuwa ilikuwa imeharibika badala ya nambari ya kawaida, ambayo inamaanisha data haijakamilika.
+
+Mifano ya data isiyo na mpangilio: faili za maandishi, ujumbe wa maandishi, faili za video.
+
+### Data Nusu Iliyopangwa
+Data nusu iliyopangwa ina sifa zinazofanya iwe mchanganyiko wa data iliyopangwa na isiyo na mpangilio. Kwa kawaida haifuati fomati ya safu na nguzo lakini imepangwa kwa njia inayochukuliwa kuwa imepangwa na inaweza kufuata fomati maalum au seti ya sheria. Muundo utatofautiana kati ya vyanzo, kama vile uongozi uliofafanuliwa vizuri hadi kitu kilicho rahisi zaidi kinachoruhusu ujumuishaji rahisi wa taarifa mpya. Metadata ni viashiria vinavyosaidia kuamua jinsi data imepangwa na kuhifadhiwa na itakuwa na majina mbalimbali, kulingana na aina ya data. Baadhi ya majina ya kawaida ya metadata ni lebo, vipengele, vyombo, na sifa. Kwa mfano, ujumbe wa barua pepe wa kawaida utakuwa na mada, mwili, na seti ya wapokeaji na unaweza kupangwa kulingana na nani au lini ulitumwa.
+
+Mifano ya data nusu iliyopangwa: HTML, faili za CSV, JavaScript Object Notation (JSON).
+
+## Vyanzo vya Data
+
+Chanzo cha data ni eneo la awali ambapo data ilizalishwa, au mahali inapokaa, na itatofautiana kulingana na jinsi na wakati ilikusanywa. Data inayozalishwa na mtumiaji wake inajulikana kama data ya msingi, wakati data ya sekondari inatoka kwa chanzo ambacho kimekusanya data kwa matumizi ya jumla. Kwa mfano, kundi la wanasayansi wanaokusanya uchunguzi katika msitu wa mvua litachukuliwa kuwa data ya msingi, na ikiwa wataamua kushiriki na wanasayansi wengine itachukuliwa kuwa data ya sekondari kwa wale wanaoitumia.
+
+Hifadhidata ni chanzo cha kawaida na hutegemea mfumo wa usimamizi wa hifadhidata kuhifadhi na kudumisha data ambapo watumiaji hutumia amri zinazoitwa maswali kuchunguza data. Faili kama vyanzo vya data vinaweza kuwa faili za sauti, picha, na video pamoja na lahajedwali kama Excel. Vyanzo vya mtandao ni eneo la kawaida la kuhifadhi data, ambapo hifadhidata pamoja na faili zinaweza kupatikana. Programu za kiolesura cha programu, zinazojulikana pia kama APIs, huruhusu waandaaji programu kuunda njia za kushiriki data na watumiaji wa nje kupitia mtandao, wakati mchakato wa kuchota data kutoka kwa ukurasa wa wavuti unajulikana kama web scraping. [Masomo katika Kufanya Kazi na Data](../../../../../../../../../2-Working-With-Data) yanazingatia jinsi ya kutumia vyanzo mbalimbali vya data.
+
+## Hitimisho
+
+Katika somo hili tumejifunza:
+
+- Data ni nini
+- Jinsi data inavyoelezwa
+- Jinsi data inavyoainishwa na kuorodheshwa
+- Mahali data inaweza kupatikana
+
+## 🚀 Changamoto
+
+Kaggle ni chanzo bora cha seti za data za wazi. Tumia [zana ya kutafuta seti za data](https://www.kaggle.com/datasets) kupata seti za data za kuvutia na uainishe seti 3-5 za data kwa vigezo hivi:
+
+- Je, data ni ya kiasi au ya ubora?
+- Je, data ni iliyopangwa, isiyo na mpangilio, au nusu iliyopangwa?
+
+## [Maswali ya Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Mapitio na Kujisomea
+
+- Kitengo hiki cha Microsoft Learn, kinachoitwa [Ainisheni Data Yako](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) kina maelezo ya kina kuhusu data iliyopangwa, nusu iliyopangwa, na isiyo na mpangilio.
+
+## Kazi
+
+[Ainisheni Seti za Data](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/03-defining-data/assignment.md b/translations/sw/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..ac6c03b7
--- /dev/null
+++ b/translations/sw/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-26T15:31:00+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kuainisha Seti za Data
+
+## Maelekezo
+
+Fuata maelekezo katika kazi hii ili kutambua na kuainisha data kwa moja ya kila aina zifuatazo za data:
+
+**Aina za Muundo**: Iliyopangiliwa, Nusu-Iliyopangiliwa, au Isiyopangiliwa
+
+**Aina za Thamani**: Ubora au Wingi 
+
+**Aina za Chanzo**: Cha Kwanza au Cha Pili
+
+1. Kampuni imepatikana na sasa ina kampuni mama. Wanasayansi wa data wamepokea lahajedwali lenye namba za simu za wateja kutoka kwa kampuni mama. 
+
+Aina ya Muundo:
+
+Aina ya Thamani: 
+
+Aina ya Chanzo: 
+
+---
+
+2. Saa mahiri imekuwa ikikusanya data ya mapigo ya moyo kutoka kwa mtumiaji wake, na data ghafi iko katika muundo wa JSON.
+
+Aina ya Muundo:
+
+Aina ya Thamani: 
+
+Aina ya Chanzo: 
+
+---
+
+3. Utafiti wa mahali pa kazi kuhusu morali ya wafanyakazi ambao umehifadhiwa katika faili ya CSV. 
+
+Aina ya Muundo:
+
+Aina ya Thamani: 
+
+Aina ya Chanzo: 
+
+---
+
+4. Wanasayansi wa nyota wanapata hifadhidata ya galaksi ambayo imekusanywa na chombo cha anga. Data ina idadi ya sayari ndani ya kila galaksi.
+
+Aina ya Muundo:
+
+Aina ya Thamani: 
+
+Aina ya Chanzo: 
+
+---
+
+5. Programu ya fedha binafsi hutumia API kuunganishwa na akaunti za kifedha za mtumiaji ili kuhesabu thamani yao halisi. Wanaweza kuona miamala yao yote katika muundo wa safu na safu wima na inaonekana kama lahajedwali.
+
+Aina ya Muundo:
+
+Aina ya Thamani: 
+
+Aina ya Chanzo: 
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inayohitaji Kuboresha
+--- | --- | -- |
+Inatambua kwa usahihi muundo, thamani, na vyanzo vyote |Inatambua kwa usahihi muundo, thamani, na vyanzo 3|Inatambua kwa usahihi muundo, thamani, na vyanzo 2 au chini ya hapo|
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/04-stats-and-probability/README.md b/translations/sw/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..15632ce6
--- /dev/null
+++ b/translations/sw/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-26T15:32:14+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "sw"
+}
+-->
+# Utangulizi Mfupi wa Takwimu na Uwezekano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Takwimu na Uwezekano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Nadharia ya Takwimu na Uwezekano ni maeneo mawili yanayohusiana sana ya Hisabati ambayo ni muhimu sana kwa Sayansi ya Takwimu. Inawezekana kufanya kazi na data bila ujuzi wa kina wa hisabati, lakini ni bora kujua angalau dhana za msingi. Hapa tutatoa utangulizi mfupi ambao utakusaidia kuanza.
+
+[![Video ya Utangulizi](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sw.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Jaribio la Kabla ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Uwezekano na Vigeu Nasibu
+
+**Uwezekano** ni namba kati ya 0 na 1 inayowakilisha jinsi tukio fulani lilivyo na uwezekano wa kutokea. Uwezekano hufafanuliwa kama idadi ya matokeo chanya (yanayopelekea tukio hilo), ikigawanywa na jumla ya matokeo yote, kwa sharti kwamba matokeo yote yana uwezekano sawa. Kwa mfano, tunapopiga kete, uwezekano wa kupata namba shufwa ni 3/6 = 0.5.
+
+Tunapozungumzia matukio, tunatumia **vigeu nasibu**. Kwa mfano, kigeu nasibu kinachowakilisha namba inayopatikana tunapopiga kete kitakuwa na thamani kati ya 1 hadi 6. Seti ya namba kutoka 1 hadi 6 inaitwa **nafasi ya sampuli**. Tunaweza kuzungumzia uwezekano wa kigeu nasibu kuchukua thamani fulani, kwa mfano P(X=3)=1/6.
+
+Kigeu nasibu katika mfano uliopita kinaitwa **kigeu cha kima**, kwa sababu kina nafasi ya sampuli inayohesabika, yaani kuna thamani tofauti zinazoweza kuorodheshwa. Kuna matukio ambapo nafasi ya sampuli ni safu ya namba halisi, au seti nzima ya namba halisi. Vigeu kama hivyo vinaitwa **vigeu endelevu**. Mfano mzuri ni muda wa basi kufika.
+
+## Usambazaji wa Uwezekano
+
+Kwa vigeu nasibu vya kima, ni rahisi kuelezea uwezekano wa kila tukio kwa kutumia kazi P(X). Kwa kila thamani *s* kutoka nafasi ya sampuli *S*, kazi hii itatoa namba kati ya 0 na 1, ambapo jumla ya thamani zote za P(X=s) kwa matukio yote itakuwa 1.
+
+Usambazaji wa kima unaojulikana zaidi ni **usambazaji wa sare**, ambapo kuna nafasi ya sampuli ya vipengele N, na uwezekano sawa wa 1/N kwa kila kimoja.
+
+Ni vigumu zaidi kuelezea usambazaji wa uwezekano wa kigeu endelevu, chenye thamani zinazotoka kwenye safu fulani [a,b], au seti nzima ya namba halisi ℝ. Fikiria mfano wa muda wa basi kufika. Kwa kweli, kwa kila muda halisi wa kufika *t*, uwezekano wa basi kufika hasa wakati huo ni 0!
+
+> Sasa unajua kwamba matukio yenye uwezekano wa 0 hutokea, na mara nyingi sana! Angalau kila wakati basi linapofika!
+
+Tunaweza tu kuzungumzia uwezekano wa kigeu kuangukia kwenye safu fulani ya thamani, kwa mfano P(t<sub>1</sub>≤X<t<sub>2</sub>). Katika kesi hii, usambazaji wa uwezekano unaelezewa na **kazi ya msongamano wa uwezekano** p(x), ambapo
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sw.png)
+  
+Mfano endelevu wa usambazaji wa sare unaitwa **sare endelevu**, ambao hufafanuliwa kwenye safu yenye kikomo. Uwezekano kwamba thamani X itaangukia kwenye safu ya urefu l ni sawia na l, na huongezeka hadi 1.
+
+Usambazaji mwingine muhimu ni **usambazaji wa kawaida**, ambao tutazungumzia kwa undani zaidi hapa chini.
+
+## Wastani, Tofauti na Mkengeuko wa Kawaida
+
+Tuseme tunachukua mfululizo wa sampuli n za kigeu nasibu X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Tunaweza kufafanua thamani ya **wastani** (au **wastani wa hesabu**) wa mfululizo kwa njia ya jadi kama (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. Tunapoongeza ukubwa wa sampuli (yaani kuchukua kikomo n→∞), tutapata wastani (pia huitwa **matarajio**) wa usambazaji. Tutawakilisha matarajio kwa **E**(x).
+
+> Inaweza kuonyeshwa kwamba kwa usambazaji wowote wa kima wenye thamani {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} na uwezekano unaolingana p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, matarajio yatakuwa E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Ili kutambua jinsi thamani zilivyo mbali, tunaweza kuhesabu tofauti σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, ambapo μ ni wastani wa mfululizo. Thamani σ inaitwa **mkengeuko wa kawaida**, na σ<sup>2</sup> inaitwa **tofauti**.
+
+## Modi, Median na Robo
+
+Wakati mwingine, wastani hauwakilishi vyema thamani "ya kawaida" ya data. Kwa mfano, wakati kuna thamani chache za kupindukia ambazo ziko nje kabisa ya safu, zinaweza kuathiri wastani. Kiashiria kingine kizuri ni **median**, thamani ambayo nusu ya data iko chini yake, na nusu nyingine - juu yake.
+
+Ili kutusaidia kuelewa usambazaji wa data, ni muhimu kuzungumzia **robo**:
+
+* Robo ya kwanza, au Q1, ni thamani ambayo 25% ya data iko chini yake
+* Robo ya tatu, au Q3, ni thamani ambayo 75% ya data iko chini yake
+
+Kigrafu tunaweza kuwakilisha uhusiano kati ya median na robo kwenye mchoro unaoitwa **box plot**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Hapa pia tunahesabu **nafasi ya kati ya robo** IQR=Q3-Q1, na kinachoitwa **vipimo vya kupindukia** - thamani ambazo ziko nje ya mipaka [Q1-1.5*IQR,Q3+1.5*IQR].
+
+Kwa usambazaji wa kima unao na idadi ndogo ya thamani zinazowezekana, thamani "ya kawaida" nzuri ni ile inayojitokeza mara nyingi zaidi, ambayo inaitwa **modi**. Hii mara nyingi hutumika kwa data ya kategoria, kama vile rangi. Fikiria hali ambapo tuna vikundi viwili vya watu - baadhi wanapendelea sana nyekundu, na wengine wanapendelea bluu. Tukiwakilisha rangi kwa namba, wastani wa rangi inayopendwa ungekuwa mahali fulani kwenye wigo wa machungwa-kijani, ambayo haionyeshi upendeleo halisi wa kundi lolote. Hata hivyo, modi itakuwa mojawapo ya rangi hizo, au rangi zote mbili, ikiwa idadi ya watu wanaopigia kura ni sawa (katika kesi hii tunaita sampuli **multimodal**).
+
+## Data ya Ulimwengu Halisi
+
+Tunapochambua data kutoka maisha halisi, mara nyingi si vigeu nasibu kwa maana kwamba hatufanyi majaribio yenye matokeo yasiyojulikana. Kwa mfano, fikiria timu ya wachezaji wa baseball, na data zao za mwili, kama vile urefu, uzito na umri. Namba hizo si nasibu hasa, lakini bado tunaweza kutumia dhana zile zile za kihisabati. Kwa mfano, mfululizo wa uzito wa watu unaweza kuchukuliwa kuwa mfululizo wa thamani zilizochukuliwa kutoka kwa kigeu nasibu fulani. Hapa chini ni mfululizo wa uzito wa wachezaji halisi wa baseball kutoka [Major League Baseball](http://mlb.mlb.com/index.jsp), uliotolewa kutoka [hifadhidata hii](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (kwa urahisi wako, ni thamani 20 za kwanza tu zimeonyeshwa):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Note**: Ili kuona mfano wa kufanya kazi na hifadhidata hii, angalia [notebook inayofuatana](notebook.ipynb). Pia kuna changamoto kadhaa katika somo hili, na unaweza kuzimaliza kwa kuongeza msimbo kwenye notebook hiyo. Ikiwa huna uhakika wa jinsi ya kufanya kazi na data, usijali - tutarudi kwenye kufanya kazi na data kwa kutumia Python baadaye. Ikiwa hujui jinsi ya kuendesha msimbo kwenye Jupyter Notebook, angalia [makala hii](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Hapa kuna mchoro wa box plot unaoonyesha wastani, median na robo za data yetu:
+
+![Weight Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sw.png)
+
+Kwa kuwa data yetu ina taarifa kuhusu **nafasi** tofauti za wachezaji, tunaweza pia kufanya box plot kwa nafasi - hii itaturuhusu kupata wazo la jinsi thamani za vigezo zinavyotofautiana kati ya nafasi. Wakati huu tutazingatia urefu:
+
+![Box plot by role](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sw.png)
+
+Mchoro huu unaonyesha kwamba, kwa wastani, urefu wa wachezaji wa nafasi ya kwanza ni mkubwa kuliko wa wachezaji wa nafasi ya pili. Baadaye katika somo hili tutajifunza jinsi tunavyoweza kujaribu dhana hii kwa njia rasmi zaidi, na jinsi ya kuonyesha kwamba data yetu ni muhimu kitaakwimu kuonyesha hilo.
+
+> Tunapofanya kazi na data ya ulimwengu halisi, tunadhani kwamba pointi zote za data ni sampuli zilizochukuliwa kutoka kwa usambazaji fulani wa uwezekano. Dhana hii inaturuhusu kutumia mbinu za kujifunza kwa mashine na kujenga mifano ya utabiri inayofanya kazi.
+
+Ili kuona usambazaji wa data yetu, tunaweza kuchora grafu inayoitwa **histogramu**. Mhimili wa X utakuwa na idadi ya vipindi tofauti vya uzito (vinavyoitwa **bins**), na mhimili wa wima utaonyesha idadi ya mara ambazo sampuli ya kigeu nasibu ilikuwa ndani ya kipindi fulani.
+
+![Histogram ya data ya ulimwengu halisi](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sw.png)
+
+Kutoka kwenye histogramu hii unaweza kuona kwamba thamani zote zimejikita karibu na wastani fulani wa uzito, na kadri tunavyoenda mbali na uzito huo - ndivyo uzito wa thamani hiyo unavyopungua. Yaani, ni nadra sana kwamba uzito wa mchezaji wa baseball utakuwa tofauti sana na wastani wa uzito. Tofauti ya uzito inaonyesha kiwango ambacho uzito unaweza kutofautiana na wastani.
+
+> Tukichukua uzito wa watu wengine, si kutoka kwenye ligi ya baseball, usambazaji unaweza kuwa tofauti. Hata hivyo, umbo la usambazaji litakuwa sawa, lakini wastani na tofauti vitabadilika. Kwa hivyo, tukifundisha mfano wetu kwa wachezaji wa baseball, kuna uwezekano mkubwa wa kutoa matokeo yasiyo sahihi unapowekwa kwa wanafunzi wa chuo kikuu, kwa sababu usambazaji wa msingi ni tofauti.
+
+## Usambazaji wa Kawaida
+
+Usambazaji wa uzito ambao tumeona hapo juu ni wa kawaida sana, na vipimo vingi kutoka ulimwengu halisi hufuata aina hiyo ya usambazaji, lakini kwa wastani na tofauti tofauti. Usambazaji huu unaitwa **usambazaji wa kawaida**, na una jukumu muhimu sana katika takwimu.
+
+Kutumia usambazaji wa kawaida ni njia sahihi ya kuzalisha uzito wa nasibu wa wachezaji wa baseball wa baadaye. Mara tu tunapojua wastani wa uzito `mean` na mkengeuko wa kawaida `std`, tunaweza kuzalisha sampuli 1000 za uzito kwa njia ifuatayo:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Tukichora histogramu ya sampuli zilizozalishwa tutaona picha inayofanana sana na ile iliyoonyeshwa hapo juu. Na tukiongeza idadi ya sampuli na idadi ya bins, tunaweza kuzalisha picha ya usambazaji wa kawaida ambayo inakaribia kuwa bora:
+
+![Usambazaji wa Kawaida na wastani=0 na std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sw.png)
+
+*Usambazaji wa Kawaida na wastani=0 na std.dev=1*
+
+## Vipindi vya Uhakika
+
+Tunapozungumzia uzito wa wachezaji wa baseball, tunadhani kwamba kuna **kigeu nasibu W** kinachowakilisha usambazaji bora wa uwezekano wa uzito wa wachezaji wote wa baseball (inayojulikana kama **idadi ya watu**). Mfululizo wetu wa uzito unawakilisha sehemu ndogo ya wachezaji wote wa baseball tunayoita **sampuli**. Swali la kuvutia ni, je, tunaweza kujua vigezo vya usambazaji wa W, yaani wastani na tofauti ya idadi ya watu?
+
+Jibu rahisi litakuwa kuhesabu wastani na tofauti ya sampuli yetu. Hata hivyo, inaweza kutokea kwamba sampuli yetu ya nasibu haiwakilishi kwa usahihi idadi kamili ya watu. Kwa hivyo inafaa kuzungumzia **kipindi cha uhakika**.
+> **Kipindi cha kujiamini** ni makadirio ya wastani halisi wa idadi ya watu kulingana na sampuli yetu, ambayo ni sahihi kwa uwezekano fulani (au **kiwango cha kujiamini**).
+Tukifikiria sampuli X<sub>1</sub>, ..., X<sub>n</sub> kutoka kwenye usambazaji wetu, kila tunapochora sampuli kutoka kwenye usambazaji huo, tutapata thamani tofauti ya wastani μ. Hivyo basi, μ inaweza kuchukuliwa kama kigezo cha nasibu. **Kipindi cha kujiamini** chenye kujiamini p ni jozi ya thamani (L<sub>p</sub>,R<sub>p</sub>), ambapo **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, yaani uwezekano wa thamani ya wastani kupatikana ndani ya kipindi hicho ni sawa na p.
+
+Inazidi maelezo yetu mafupi kujadili kwa undani jinsi vipindi hivyo vya kujiamini vinavyohesabiwa. Maelezo zaidi yanaweza kupatikana [kwenye Wikipedia](https://en.wikipedia.org/wiki/Confidence_interval). Kwa ufupi, tunafafanua usambazaji wa wastani wa sampuli iliyohesabiwa kulingana na wastani wa kweli wa idadi ya watu, unaoitwa **usambazaji wa mwanafunzi**.
+
+> **Jambo la kuvutia**: Usambazaji wa mwanafunzi umepewa jina kutokana na mwanahisabati William Sealy Gosset, ambaye alichapisha karatasi yake kwa jina la utani "Student". Alifanya kazi katika kiwanda cha bia cha Guinness, na, kulingana na moja ya simulizi, mwajiri wake hakutaka umma ujue kwamba walikuwa wakitumia majaribio ya takwimu kuamua ubora wa malighafi.
+
+Ikiwa tunataka kukadiria wastani μ wa idadi yetu ya watu kwa kujiamini p, tunahitaji kuchukua *(1-p)/2-th percentile* ya Usambazaji wa Mwanafunzi A, ambayo inaweza kuchukuliwa kutoka kwenye jedwali, au kuhesabiwa kwa kutumia baadhi ya kazi zilizojengwa ndani ya programu za takwimu (mfano Python, R, n.k.). Kisha kipindi cha μ kitakuwa X±A*D/√n, ambapo X ni wastani uliopatikana wa sampuli, D ni mkengeuko wa kawaida.
+
+> **Note**: Pia tunapuuza mjadala wa dhana muhimu ya [digrii za uhuru](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), ambayo ni muhimu kuhusiana na Usambazaji wa Mwanafunzi. Unaweza kurejelea vitabu kamili zaidi vya takwimu ili kuelewa dhana hii kwa kina.
+
+Mfano wa kuhesabu kipindi cha kujiamini kwa uzito na urefu umetolewa katika [notebook inayofuatana](notebook.ipynb).
+
+| p | Wastani wa Uzito |
+|-----|----------------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+Angalia kwamba kadri uwezekano wa kujiamini unavyoongezeka, ndivyo kipindi cha kujiamini kinavyopanuka.
+
+## Upimaji wa Dhana
+
+Katika seti yetu ya data ya wachezaji wa baseball, kuna majukumu tofauti ya wachezaji, ambayo yanaweza kufupishwa kama ifuatavyo (angalia [notebook inayofuatana](notebook.ipynb) ili kuona jinsi jedwali hili linavyoweza kuhesabiwa):
+
+| Jukumu | Urefu | Uzito | Idadi |
+|--------|-------|-------|-------|
+| Catcher | 72.723684 | 204.328947 | 76 |
+| Designated_Hitter | 74.222222 | 220.888889 | 18 |
+| First_Baseman | 74.000000 | 213.109091 | 55 |
+| Outfielder | 73.010309 | 199.113402 | 194 |
+| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
+| Second_Baseman | 71.362069 | 184.344828 | 58 |
+| Shortstop | 71.903846 | 182.923077 | 52 |
+| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
+| Third_Baseman | 73.044444 | 200.955556 | 45 |
+
+Tunaweza kuona kwamba wastani wa urefu wa wachezaji wa nafasi ya kwanza ni mkubwa kuliko wa wachezaji wa nafasi ya pili. Hivyo, tunaweza kushawishika kusema kwamba **wachezaji wa nafasi ya kwanza ni warefu zaidi kuliko wa nafasi ya pili**.
+
+> Kauli hii inaitwa **dhana**, kwa sababu hatujui kama ukweli huu ni wa kweli au la.
+
+Hata hivyo, si rahisi kila wakati kufanya hitimisho hili. Kutoka kwenye mjadala hapo juu tunajua kwamba kila wastani una kipindi cha kujiamini kinachohusiana, na hivyo tofauti hii inaweza kuwa kosa la takwimu tu. Tunahitaji njia rasmi zaidi ya kupima dhana yetu.
+
+Hebu tuhesabu vipindi vya kujiamini kando kwa urefu wa wachezaji wa nafasi ya kwanza na ya pili:
+
+| Kujiamini | Wachezaji wa Nafasi ya Kwanza | Wachezaji wa Nafasi ya Pili |
+|-----------|-------------------------------|-----------------------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+Tunaweza kuona kwamba kwa kiwango chochote cha kujiamini, vipindi havivuki. Hii inathibitisha dhana yetu kwamba wachezaji wa nafasi ya kwanza ni warefu zaidi kuliko wa nafasi ya pili.
+
+Kwa njia rasmi zaidi, tatizo tunalotatua ni kuona kama **usambazaji mbili za uwezekano ni sawa**, au angalau zina vigezo sawa. Kulingana na usambazaji, tunahitaji kutumia majaribio tofauti kwa hilo. Ikiwa tunajua kwamba usambazaji wetu ni wa kawaida, tunaweza kutumia **[Jaribio la t la Mwanafunzi](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+Katika Jaribio la t la Mwanafunzi, tunahesabu kinachoitwa **t-thamani**, ambayo inaonyesha tofauti kati ya wastani, ikizingatia utofauti. Imeonyeshwa kwamba t-thamani inafuata **usambazaji wa mwanafunzi**, ambao huturuhusu kupata thamani ya kizingiti kwa kiwango fulani cha kujiamini **p** (hii inaweza kuhesabiwa, au kutafutwa kwenye jedwali za namba). Kisha tunalinganisha t-thamani na kizingiti hiki ili kuidhinisha au kukataa dhana.
+
+Katika Python, tunaweza kutumia kifurushi cha **SciPy**, ambacho kinajumuisha kazi ya `ttest_ind` (pamoja na kazi nyingine nyingi za takwimu muhimu!). Inatuhesabia t-thamani, na pia hufanya utafutaji wa nyuma wa thamani ya kujiamini p, ili tuweze kuangalia tu kujiamini ili kufanya hitimisho.
+
+Kwa mfano, kulinganisha kwetu kati ya urefu wa wachezaji wa nafasi ya kwanza na ya pili kunatupa matokeo yafuatayo: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+Katika kesi yetu, thamani ya p ni ndogo sana, ikimaanisha kwamba kuna ushahidi mkubwa unaounga mkono kwamba wachezaji wa nafasi ya kwanza ni warefu zaidi.
+
+Kuna pia aina nyingine tofauti za dhana ambazo tunaweza kutaka kupima, kwa mfano:
+* Kuthibitisha kwamba sampuli fulani inafuata usambazaji fulani. Katika kesi yetu tumedhani kwamba urefu unasambazwa kawaida, lakini hilo linahitaji uthibitisho rasmi wa takwimu.
+* Kuthibitisha kwamba thamani ya wastani wa sampuli inalingana na thamani fulani iliyowekwa awali.
+* Kulinganisha wastani wa sampuli kadhaa (mfano, tofauti ya viwango vya furaha kati ya makundi tofauti ya umri).
+
+## Sheria ya Nambari Kubwa na Nadharia ya Kikomo cha Kati
+
+Moja ya sababu kwa nini usambazaji wa kawaida ni muhimu ni kinachoitwa **nadharia ya kikomo cha kati**. Tuseme tuna sampuli kubwa ya thamani huru N X<sub>1</sub>, ..., X<sub>N</sub>, zilizochukuliwa kutoka kwenye usambazaji wowote wenye wastani μ na utofauti σ<sup>2</sup>. Kisha, kwa N kubwa vya kutosha (kwa maneno mengine, wakati N→∞), wastani Σ<sub>i</sub>X<sub>i</sub> utasambazwa kawaida, wenye wastani μ na utofauti σ<sup>2</sup>/N.
+
+> Njia nyingine ya kufasiri nadharia ya kikomo cha kati ni kusema kwamba bila kujali usambazaji, unapohesabu wastani wa jumla ya thamani za kigezo cha nasibu unapata usambazaji wa kawaida.
+
+Kutoka kwenye nadharia ya kikomo cha kati pia inafuata kwamba, wakati N→∞, uwezekano wa wastani wa sampuli kuwa sawa na μ unakuwa 1. Hii inajulikana kama **sheria ya nambari kubwa**.
+
+## Uhusiano wa Pamoja na Uwiano
+
+Moja ya mambo ambayo Sayansi ya Takwimu hufanya ni kutafuta uhusiano kati ya data. Tunasema kwamba mfuatano miwili **ina uhusiano wa pamoja** wakati inaonyesha tabia sawa kwa wakati mmoja, yaani, huongezeka/huanguka kwa pamoja, au mfuatano mmoja huongezeka wakati mwingine unapungua na kinyume chake. Kwa maneno mengine, kunaonekana kuwa na uhusiano fulani kati ya mfuatano miwili.
+
+> Uhusiano wa pamoja hauonyeshi lazima uhusiano wa kisababishi kati ya mfuatano miwili; wakati mwingine vigezo vyote viwili vinaweza kutegemea sababu ya nje, au inaweza kuwa kwa bahati tu kwamba mfuatano miwili una uhusiano wa pamoja. Hata hivyo, uhusiano wa pamoja wa kihisabati wenye nguvu ni kiashiria kizuri kwamba vigezo viwili vimeunganishwa kwa namna fulani.
+
+Kihisabati, dhana kuu inayoonyesha uhusiano kati ya vigezo viwili vya nasibu ni **uhusiano wa pamoja**, ambao unahesabiwa kama hivi: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Tunahesabu mkengeuko wa vigezo vyote viwili kutoka kwa wastani wao, kisha tunazidisha mkengeuko huo. Ikiwa vigezo vyote viwili vinatofautiana kwa pamoja, kuzidisha kutakuwa na thamani chanya kila wakati, ambayo itaongeza hadi uhusiano wa pamoja chanya. Ikiwa vigezo vyote viwili vinatofautiana bila mpangilio (yaani, kimoja kinashuka chini ya wastani wakati kingine kinapanda juu ya wastani), tutapata namba hasi kila wakati, ambazo zitaongeza hadi uhusiano wa pamoja hasi. Ikiwa mkengeuko hauna uhusiano, zitaongeza hadi takriban sifuri.
+
+Thamani halisi ya uhusiano wa pamoja haituambii mengi kuhusu ukubwa wa uhusiano, kwa sababu inategemea ukubwa wa thamani halisi. Ili kuunormalisha, tunaweza kugawanya uhusiano wa pamoja kwa mkengeuko wa kawaida wa vigezo vyote viwili, ili kupata **uwiano**. Jambo zuri ni kwamba uwiano huwa katika safu ya [-1,1], ambapo 1 inaonyesha uwiano chanya wenye nguvu kati ya thamani, -1 - uwiano hasi wenye nguvu, na 0 - hakuna uwiano kabisa (vigezo ni huru).
+
+**Mfano**: Tunaweza kuhesabu uwiano kati ya uzito na urefu wa wachezaji wa baseball kutoka kwenye seti ya data iliyotajwa hapo juu:
+```python
+print(np.corrcoef(weights,heights))
+```
+Matokeo yake, tunapata **matrix ya uwiano** kama hii:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> Matrix ya uwiano C inaweza kuhesabiwa kwa idadi yoyote ya mfuatano wa pembejeo S<sub>1</sub>, ..., S<sub>n</sub>. Thamani ya C<sub>ij</sub> ni uwiano kati ya S<sub>i</sub> na S<sub>j</sub>, na vipengele vya diagonal daima ni 1 (ambayo pia ni uwiano wa kibinafsi wa S<sub>i</sub>).
+
+Katika kesi yetu, thamani 0.53 inaonyesha kwamba kuna uwiano fulani kati ya uzito na urefu wa mtu. Tunaweza pia kutengeneza mchoro wa kutawanyika wa thamani moja dhidi ya nyingine ili kuona uhusiano kwa macho:
+
+![Uhusiano kati ya uzito na urefu](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sw.png)
+
+> Mifano zaidi ya uwiano wa pamoja na uwiano inaweza kupatikana katika [notebook inayofuatana](notebook.ipynb).
+
+## Hitimisho
+
+Katika sehemu hii, tumejifunza:
+
+* mali za msingi za takwimu za data, kama vile wastani, utofauti, hali na robo
+* usambazaji tofauti wa vigezo vya nasibu, ikiwa ni pamoja na usambazaji wa kawaida
+* jinsi ya kupata uwiano kati ya mali tofauti
+* jinsi ya kutumia mbinu za kihisabati na takwimu ili kuthibitisha dhana fulani
+* jinsi ya kuhesabu vipindi vya kujiamini kwa kigezo cha nasibu kutokana na sampuli ya data
+
+Ingawa hii si orodha kamili ya mada zilizopo ndani ya uwezekano na takwimu, inapaswa kuwa ya kutosha kukupa mwanzo mzuri katika kozi hii.
+
+## 🚀 Changamoto
+
+Tumia msimbo wa sampuli katika notebook kupima dhana nyingine kwamba: 
+1. Wachezaji wa nafasi ya kwanza ni wazee kuliko wa nafasi ya pili
+2. Wachezaji wa nafasi ya kwanza ni warefu kuliko wa nafasi ya tatu
+3. Wachezaji wa nafasi ya shortstop ni warefu kuliko wa nafasi ya pili
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Mapitio na Kujisomea
+
+Uwezekano na takwimu ni mada pana sana inayostahili kozi yake yenyewe. Ikiwa una nia ya kwenda zaidi katika nadharia, unaweza kuendelea kusoma baadhi ya vitabu vifuatavyo:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) kutoka Chuo Kikuu cha New York ana maelezo mazuri ya mihadhara [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (inapatikana mtandaoni)
+1. [Peter na Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[msimbo wa sampuli katika R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. 
+1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[msimbo wa sampuli katika R](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
+
+## Kazi
+
+[Utafiti Mdogo wa Kisukari](assignment.md)
+
+## Shukrani
+
+Somo hili limeandikwa kwa ♥️ na [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/04-stats-and-probability/assignment.md b/translations/sw/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..eb498bdc
--- /dev/null
+++ b/translations/sw/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-26T15:42:07+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Utafiti Mdogo wa Kisukari
+
+Katika kazi hii, tutafanya kazi na seti ndogo ya data ya wagonjwa wa kisukari iliyochukuliwa kutoka [hapa](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | UMRI | JINSIA | BMI | BP | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|-----|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## Maelekezo
+
+* Fungua [notebook ya kazi](assignment.ipynb) katika mazingira ya jupyter notebook
+* Kamilisha majukumu yote yaliyoorodheshwa kwenye notebook, yaani:
+   * [ ] Hesabu wastani wa thamani na tofauti kwa thamani zote
+   * [ ] Chora grafu za boxplot kwa BMI, BP na Y kulingana na jinsia
+   * [ ] Je, usambazaji wa vigezo vya Umri, Jinsia, BMI na Y ukoje?
+   * [ ] Jaribu uhusiano kati ya vigezo tofauti na maendeleo ya ugonjwa (Y)
+   * [ ] Jaribu dhana kwamba kiwango cha maendeleo ya kisukari ni tofauti kati ya wanaume na wanawake
+   
+## Rubric
+
+Bora Zaidi | Inaridhisha | Inahitaji Kuboresha
+--- | --- | -- |
+Majukumu yote yanayohitajika yamekamilika, yameonyeshwa kwa grafu na kuelezewa | Majukumu mengi yamekamilika, maelezo au maoni kutoka kwa grafu na/au thamani zilizopatikana yanakosekana | Majukumu ya msingi tu kama hesabu ya wastani/tofauti na grafu za msingi yamekamilika, hakuna hitimisho lililotolewa kutoka kwa data
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/1-Introduction/README.md b/translations/sw/1-Introduction/README.md
new file mode 100644
index 00000000..4c42d599
--- /dev/null
+++ b/translations/sw/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-26T14:59:30+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "sw"
+}
+-->
+# Utangulizi wa Sayansi ya Takwimu
+
+![data in action](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sw.jpg)
+> Picha na <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> kwenye <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+Katika masomo haya, utagundua jinsi Sayansi ya Takwimu inavyofafanuliwa na kujifunza kuhusu masuala ya kimaadili ambayo lazima yazingatiwe na mwanasayansi wa takwimu. Pia utajifunza jinsi takwimu zinavyofafanuliwa na kupata maarifa kidogo kuhusu takwimu na uwezekano, maeneo ya msingi ya kitaaluma ya Sayansi ya Takwimu.
+
+### Mada
+
+1. [Kufafanua Sayansi ya Takwimu](01-defining-data-science/README.md)
+2. [Maadili ya Sayansi ya Takwimu](02-ethics/README.md)
+3. [Kufafanua Takwimu](03-defining-data/README.md)
+4. [Utangulizi wa Takwimu na Uwezekano](04-stats-and-probability/README.md)
+
+### Shukrani
+
+Masomo haya yaliandikwa kwa ❤️ na [Nitya Narasimhan](https://twitter.com/nitya) na [Dmitry Soshnikov](https://twitter.com/shwars).
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/05-relational-databases/README.md b/translations/sw/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..1f47e996
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-26T14:28:15+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufanya Kazi na Data: Hifadhidata za Kihusiano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Kufanya Kazi na Data: Hifadhidata za Kihusiano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Inawezekana umewahi kutumia lahajedwali hapo awali kuhifadhi taarifa. Uliona seti ya safu na nguzo, ambapo safu zilikuwa na taarifa (au data), na nguzo zilielezea taarifa hiyo (wakati mwingine huitwa metadata). Hifadhidata ya kihusiano inajengwa juu ya kanuni hii ya msingi ya nguzo na safu katika jedwali, ikikuruhusu kuwa na taarifa iliyosambazwa katika majedwali mengi. Hii inakuruhusu kufanya kazi na data ngumu zaidi, kuepuka kurudia, na kuwa na urahisi katika jinsi unavyotafuta data. Hebu tuchunguze dhana za hifadhidata ya kihusiano.
+
+## [Jaribio la awali la somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Yote huanza na majedwali
+
+Hifadhidata ya kihusiano ina msingi wake katika majedwali. Kama ilivyo kwenye lahajedwali, jedwali ni mkusanyiko wa nguzo na safu. Safu ina data au taarifa tunayotaka kufanya kazi nayo, kama jina la jiji au kiasi cha mvua. Nguzo zinaelezea data wanayohifadhi.
+
+Hebu tuanze uchunguzi wetu kwa kuunda jedwali la kuhifadhi taarifa kuhusu miji. Tunaweza kuanza na majina yao na nchi zao. Unaweza kuhifadhi hii katika jedwali kama ifuatavyo:
+
+| Jiji     | Nchi          |
+| -------- | ------------- |
+| Tokyo    | Japani        |
+| Atlanta  | Marekani      |
+| Auckland | New Zealand   |
+
+Angalia majina ya nguzo **jiji**, **nchi**, na **idadi ya watu** yanavyoelezea data inayohifadhiwa, na kila safu ina taarifa kuhusu jiji moja.
+
+## Mapungufu ya mbinu ya jedwali moja
+
+Inawezekana, jedwali hapo juu linaonekana kuwa la kawaida kwako. Hebu tuanze kuongeza data ya ziada kwenye hifadhidata yetu inayokua - mvua ya kila mwaka (katika milimita). Tutazingatia miaka ya 2018, 2019, na 2020. Ikiwa tungeongeza kwa Tokyo, inaweza kuonekana kama hii:
+
+| Jiji  | Nchi   | Mwaka | Kiasi  |
+| ----- | -------| ----- | ------ |
+| Tokyo | Japani | 2020  | 1690   |
+| Tokyo | Japani | 2019  | 1874   |
+| Tokyo | Japani | 2018  | 1445   |
+
+Unaona nini kuhusu jedwali letu? Unaweza kugundua tunarudia jina na nchi ya jiji mara kwa mara. Hii inaweza kuchukua nafasi nyingi za kuhifadhi, na kwa kiasi kikubwa si lazima kuwa na nakala nyingi. Baada ya yote, Tokyo lina jina moja tu tunalovutiwa nalo.
+
+Sawa, hebu tujaribu kitu kingine. Hebu tuongeze nguzo mpya kwa kila mwaka:
+
+| Jiji     | Nchi          | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| Tokyo    | Japani        | 1445 | 1874 | 1690 |
+| Atlanta  | Marekani      | 1779 | 1111 | 1683 |
+| Auckland | New Zealand   | 1386 | 942  | 1176 |
+
+Ingawa hii inazuia kurudia safu, inaongeza changamoto nyingine. Tunahitaji kurekebisha muundo wa jedwali letu kila mara kuna mwaka mpya. Aidha, data yetu inavyokua, kuwa na miaka kama nguzo itafanya iwe ngumu zaidi kupata na kuhesabu thamani.
+
+Hii ndiyo sababu tunahitaji majedwali mengi na mahusiano. Kwa kugawanya data yetu tunaweza kuepuka kurudia na kuwa na urahisi zaidi katika jinsi tunavyofanya kazi na data yetu.
+
+## Dhana za mahusiano
+
+Hebu turudi kwenye data yetu na kuamua jinsi tunavyotaka kuigawanya. Tunajua tunataka kuhifadhi jina na nchi za miji yetu, kwa hivyo hii itafanya kazi vizuri zaidi katika jedwali moja.
+
+| Jiji     | Nchi          |
+| -------- | ------------- |
+| Tokyo    | Japani        |
+| Atlanta  | Marekani      |
+| Auckland | New Zealand   |
+
+Lakini kabla ya kuunda jedwali linalofuata, tunahitaji kujua jinsi ya kurejelea kila jiji. Tunahitaji aina fulani ya kitambulisho, ID au (katika istilahi za hifadhidata za kiufundi) ufunguo wa msingi. Ufunguo wa msingi ni thamani inayotumika kutambua safu moja maalum katika jedwali. Ingawa hii inaweza kutegemea thamani yenyewe (tunaweza kutumia jina la jiji, kwa mfano), inapaswa kuwa namba au kitambulisho kingine. Hatutaki ID ibadilike kwani itavunja uhusiano. Utakuta katika hali nyingi ufunguo wa msingi au ID itakuwa namba inayozalishwa kiotomatiki.
+
+> ✅ Ufunguo wa msingi mara nyingi hufupishwa kama PK
+
+### miji
+
+| city_id | Jiji     | Nchi          |
+| ------- | -------- | ------------- |
+| 1       | Tokyo    | Japani        |
+| 2       | Atlanta  | Marekani      |
+| 3       | Auckland | New Zealand   |
+
+> ✅ Utagundua tunatumia maneno "id" na "ufunguo wa msingi" kwa kubadilishana wakati wa somo hili. Dhana hizi zinatumika kwa DataFrames, ambazo utachunguza baadaye. DataFrames hazitumii istilahi ya "ufunguo wa msingi", hata hivyo utagundua zinatenda kwa njia sawa.
+
+Kwa jedwali letu la miji kuundwa, hebu tuhifadhi mvua. Badala ya kurudia taarifa kamili kuhusu jiji, tunaweza kutumia ID. Tunapaswa pia kuhakikisha jedwali jipya lililoundwa lina safu ya *id*, kwani majedwali yote yanapaswa kuwa na ID au ufunguo wa msingi.
+
+### mvua
+
+| rainfall_id | city_id | Mwaka | Kiasi  |
+| ----------- | ------- | ----- | ------ |
+| 1           | 1       | 2018  | 1445   |
+| 2           | 1       | 2019  | 1874   |
+| 3           | 1       | 2020  | 1690   |
+| 4           | 2       | 2018  | 1779   |
+| 5           | 2       | 2019  | 1111   |
+| 6           | 2       | 2020  | 1683   |
+| 7           | 3       | 2018  | 1386   |
+| 8           | 3       | 2019  | 942    |
+| 9           | 3       | 2020  | 1176   |
+
+Angalia safu ya **city_id** ndani ya jedwali jipya la **mvua**. Safu hii ina thamani zinazorejelea ID katika jedwali la **miji**. Katika istilahi za kiufundi za data ya kihusiano, hii inaitwa **ufunguo wa kigeni**; ni ufunguo wa msingi kutoka jedwali lingine. Unaweza kufikiria tu kama rejeleo au pointer. **city_id** 1 inarejelea Tokyo.
+
+> [!NOTE] Ufunguo wa kigeni mara nyingi hufupishwa kama FK
+
+## Kupata data
+
+Kwa data yetu kugawanywa katika majedwali mawili, unaweza kuwa unajiuliza jinsi tunavyopata. Ikiwa tunatumia hifadhidata ya kihusiano kama MySQL, SQL Server au Oracle, tunaweza kutumia lugha inayoitwa Structured Query Language au SQL. SQL (wakati mwingine hutamkwa "sequel") ni lugha ya kawaida inayotumika kupata na kurekebisha data katika hifadhidata ya kihusiano.
+
+Ili kupata data unatumia amri `SELECT`. Kwa msingi wake, unachagua nguzo unazotaka kuona kutoka kwenye jedwali wanapopatikana. Ikiwa ungependa kuonyesha tu majina ya miji, unaweza kutumia yafuatayo:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` ni mahali unapoorodhesha nguzo, na `FROM` ni mahali unapoorodhesha majedwali.
+
+> [NOTE] Sintaksia ya SQL haizingatii herufi kubwa na ndogo, ikimaanisha `select` na `SELECT` ni sawa. Hata hivyo, kulingana na aina ya hifadhidata unayotumia, nguzo na majedwali yanaweza kuzingatia herufi kubwa na ndogo. Kwa hivyo, ni mazoea bora kila mara kuchukulia kila kitu katika programu kama kinazingatia herufi kubwa na ndogo. Wakati wa kuandika maswali ya SQL, kawaida ni kuweka maneno muhimu kwa herufi kubwa.
+
+Swali hapo juu litaonyesha miji yote. Hebu tufikirie tunataka kuonyesha miji ya New Zealand pekee. Tunahitaji aina fulani ya kichujio. Neno muhimu la SQL kwa hili ni `WHERE`, au "mahali ambapo kitu ni kweli".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Kuunganisha data
+
+Hadi sasa tumepata data kutoka jedwali moja. Sasa tunataka kuleta data pamoja kutoka **miji** na **mvua**. Hii inafanywa kwa *kuunganisha* majedwali pamoja. Kimsingi utaunda mshono kati ya majedwali mawili, na kulinganisha thamani kutoka safu kutoka kila jedwali.
+
+Katika mfano wetu, tutalinganisha safu ya **city_id** katika **mvua** na safu ya **city_id** katika **miji**. Hii italinganisha thamani ya mvua na jiji lake husika. Aina ya muunganiko tutakaofanya inaitwa *inner join*, ikimaanisha ikiwa safu yoyote haifani na kitu chochote kutoka jedwali lingine haitakuwa imeonyeshwa. Katika kesi yetu kila jiji lina mvua, kwa hivyo kila kitu kitaonyeshwa.
+
+Hebu tupate mvua ya mwaka 2019 kwa miji yetu yote.
+
+Tunaenda kufanya hili kwa hatua. Hatua ya kwanza ni kuunganisha data pamoja kwa kuonyesha safu za mshono - **city_id** kama ilivyoangaziwa hapo awali.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Tumeelezea safu mbili tunazotaka, na ukweli kwamba tunataka kuunganisha majedwali pamoja kwa **city_id**. Sasa tunaweza kuongeza taarifa ya `WHERE` ili kuchuja mwaka wa 2019 pekee.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Muhtasari
+
+Hifadhidata za kihusiano zinazingatia kugawanya taarifa kati ya majedwali mengi ambayo kisha huletwa pamoja kwa kuonyesha na kuchambua. Hii inatoa kiwango cha juu cha urahisi wa kufanya mahesabu na vinginevyo kudhibiti data. Umeona dhana za msingi za hifadhidata ya kihusiano, na jinsi ya kufanya muunganiko kati ya majedwali mawili.
+
+## 🚀 Changamoto
+
+Kuna hifadhidata nyingi za kihusiano zinazopatikana kwenye mtandao. Unaweza kuchunguza data kwa kutumia ujuzi uliyojifunza hapo juu.
+
+## Jaribio la Baada ya Somo
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Mapitio na Kujisomea
+
+Kuna rasilimali kadhaa zinazopatikana kwenye [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) kwa ajili ya kuendelea kuchunguza dhana za SQL na hifadhidata za kihusiano
+
+- [Eleza dhana za data ya kihusiano](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Anza Kujifunza Kuuliza na Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL ni toleo la SQL)
+- [Maudhui ya SQL kwenye Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Kazi
+
+[Kichwa cha Kazi](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/05-relational-databases/assignment.md b/translations/sw/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..afd1e748
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-26T14:32:28+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha data za viwanja vya ndege
+
+Umepewa [hifadhidata](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) iliyojengwa kwa [SQLite](https://sqlite.org/index.html) ambayo ina taarifa kuhusu viwanja vya ndege. Muundo wa hifadhidata umeonyeshwa hapa chini. Utatumia [kiendelezi cha SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) katika [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) kuonyesha taarifa kuhusu viwanja vya ndege vya miji mbalimbali.
+
+## Maelekezo
+
+Ili kuanza na kazi hii, utahitaji kufanya hatua kadhaa. Utahitaji kusakinisha baadhi ya zana na kupakua hifadhidata ya mfano.
+
+### Sanidi mfumo wako
+
+Unaweza kutumia Visual Studio Code na kiendelezi cha SQLite kuingiliana na hifadhidata.
+
+1. Tembelea [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) na fuata maelekezo ya kusakinisha Visual Studio Code
+1. Sakinisha [kiendelezi cha SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) kama ilivyoelekezwa kwenye ukurasa wa Marketplace
+
+### Pakua na fungua hifadhidata
+
+Hatua inayofuata ni kupakua na kufungua hifadhidata.
+
+1. Pakua [faili ya hifadhidata kutoka GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) na ihifadhi kwenye folda
+1. Fungua Visual Studio Code
+1. Fungua hifadhidata katika kiendelezi cha SQLite kwa kuchagua **Ctl-Shift-P** (au **Cmd-Shift-P** kwenye Mac) na kuandika `SQLite: Open database`
+1. Chagua **Choose database from file** na fungua faili ya **airports.db** uliyopakua awali
+1. Baada ya kufungua hifadhidata (hutapata mabadiliko kwenye skrini), tengeneza dirisha jipya la maswali kwa kuchagua **Ctl-Shift-P** (au **Cmd-Shift-P** kwenye Mac) na kuandika `SQLite: New query`
+
+Baada ya kufungua, dirisha jipya la maswali linaweza kutumika kuendesha kauli za SQL dhidi ya hifadhidata. Unaweza kutumia amri **Ctl-Shift-Q** (au **Cmd-Shift-Q** kwenye Mac) kuendesha maswali dhidi ya hifadhidata.
+
+> [!NOTE] Kwa maelezo zaidi kuhusu kiendelezi cha SQLite, unaweza kushauriana na [nyaraka](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Muundo wa hifadhidata
+
+Muundo wa hifadhidata ni mpangilio wa jedwali na muundo wake. Hifadhidata ya **airports** ina majedwali mawili, `cities`, ambalo lina orodha ya miji nchini Uingereza na Ireland, na `airports`, ambalo lina orodha ya viwanja vyote vya ndege. Kwa sababu baadhi ya miji inaweza kuwa na viwanja vya ndege vingi, majedwali mawili yalitengenezwa kuhifadhi taarifa. Katika zoezi hili utatumia "joins" kuonyesha taarifa za miji mbalimbali.
+
+| Cities           |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Airports                         |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## Kazi
+
+Tengeneza maswali ya kurudisha taarifa zifuatazo:
+
+1. majina yote ya miji katika jedwali la `Cities`
+1. miji yote nchini Ireland katika jedwali la `Cities`
+1. majina yote ya viwanja vya ndege pamoja na mji na nchi zao
+1. viwanja vyote vya ndege vilivyopo London, Uingereza
+
+## Rubric
+
+| Bora Zaidi | Inayotosheleza | Inayohitaji Uboreshaji |
+| ---------- | -------------- | ---------------------- |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/06-non-relational/README.md b/translations/sw/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..ca4854d4
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-26T14:52:21+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufanya Kazi na Data: Data Isiyo ya Kihusiano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Kufanya Kazi na Data ya NoSQL - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Data haijazuiliwa kwa hifadhidata za kihusiano pekee. Somo hili linazingatia data isiyo ya kihusiano na litashughulikia misingi ya lahajedwali na NoSQL.
+
+## Lahajedwali
+
+Lahajedwali ni njia maarufu ya kuhifadhi na kuchunguza data kwa sababu inahitaji kazi kidogo kuanzisha na kuanza. Katika somo hili utajifunza vipengele vya msingi vya lahajedwali, pamoja na fomula na kazi. Mifano itatolewa kwa kutumia Microsoft Excel, lakini sehemu nyingi na mada zitakuwa na majina na hatua zinazofanana ukilinganisha na programu nyingine za lahajedwali.
+
+![Kitabu cha kazi cha Microsoft Excel kilicho tupu chenye lahajedwali mbili](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sw.png)
+
+Lahajedwali ni faili na litapatikana katika mfumo wa faili wa kompyuta, kifaa, au mfumo wa faili wa wingu. Programu yenyewe inaweza kuwa ya kivinjari au programu inayohitaji kusakinishwa kwenye kompyuta au kupakuliwa kama programu. Katika Excel faili hizi pia hufafanuliwa kama **vitabu vya kazi** na istilahi hii itatumika katika somo hili.
+
+Kitabu cha kazi kina lahajedwali moja au zaidi, ambapo kila lahajedwali limewekwa alama kwa tabo. Ndani ya lahajedwali kuna mstatili unaoitwa **seli**, ambazo zitakuwa na data halisi. Seli ni makutano ya safu na safuwima, ambapo safuwima zimewekwa alama kwa herufi za alfabeti na safu zimewekwa alama kwa nambari. Baadhi ya lahajedwali zitakuwa na vichwa katika safu chache za mwanzo kuelezea data katika seli.
+
+Kwa kutumia vipengele hivi vya msingi vya kitabu cha kazi cha Excel, tutatumia mfano kutoka [Microsoft Templates](https://templates.office.com/) unaozingatia hesabu ili kupitia sehemu nyingine za lahajedwali.
+
+### Kusimamia Hesabu
+
+Faili ya lahajedwali inayoitwa "InventoryExample" ni lahajedwali lililopangwa la vitu vilivyomo kwenye hesabu ambalo lina lahajedwali tatu, ambapo tabo zimewekwa alama "Inventory List", "Inventory Pick List" na "Bin Lookup". Safu ya 4 ya lahajedwali la Inventory List ni kichwa, ambacho kinaelezea thamani ya kila seli katika safuwima ya kichwa.
+
+![Fomula iliyowekwa alama kutoka mfano wa orodha ya hesabu katika Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sw.png)
+
+Kuna matukio ambapo seli inategemea thamani za seli nyingine ili kuzalisha thamani yake. Lahajedwali la Inventory List linafuatilia gharama ya kila kitu kilichomo kwenye hesabu yake, lakini vipi kama tunahitaji kujua thamani ya kila kitu kilichomo kwenye hesabu? [**Fomula**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) hufanya vitendo kwenye data ya seli na hutumika kuhesabu gharama ya hesabu katika mfano huu. Lahajedwali hili limetumia fomula katika safuwima ya Inventory Value kuhesabu thamani ya kila kitu kwa kuzidisha idadi chini ya kichwa cha QTY na gharama zake chini ya kichwa cha COST. Kubofya mara mbili au kuonyesha seli kutakuonyesha fomula. Utagundua kwamba fomula huanza na alama ya sawa, ikifuatiwa na hesabu au operesheni.
+
+![Kazi iliyowekwa alama kutoka mfano wa orodha ya hesabu katika Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sw.png)
+
+Tunaweza kutumia fomula nyingine kuongeza thamani zote za Inventory Value ili kupata thamani yake ya jumla. Hii inaweza kuhesabiwa kwa kuongeza kila seli ili kuzalisha jumla, lakini hiyo inaweza kuwa kazi ya kuchosha. Excel ina [**kazi**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), au fomula zilizotangulia kufanywa ili kufanya hesabu kwenye thamani za seli. Kazi zinahitaji hoja, ambazo ni thamani zinazohitajika kutekeleza hesabu hizi. Wakati kazi zinahitaji zaidi ya hoja moja, zitahitaji kuorodheshwa kwa mpangilio fulani au kazi inaweza isihesabu thamani sahihi. Mfano huu unatumia kazi ya SUM, na hutumia thamani za Inventory Value kama hoja ili kuzalisha jumla iliyoorodheshwa chini ya safu ya 3, safuwima B (pia inajulikana kama B3).
+
+## NoSQL
+
+NoSQL ni neno la jumla kwa njia tofauti za kuhifadhi data isiyo ya kihusiano na linaweza kufasiriwa kama "si-SQL", "si-kihusiano" au "si SQL pekee". Aina hizi za mifumo ya hifadhidata zinaweza kugawanywa katika aina 4.
+
+![Mchoro wa hifadhidata ya key-value unaonyesha funguo 4 za kipekee za nambari zinazohusiana na thamani 4 tofauti](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sw.png)
+> Chanzo kutoka [Blogu ya Michał Białecki](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) hifadhidata huunganisha funguo za kipekee, ambazo ni kitambulisho cha kipekee kinachohusiana na thamani. Jozi hizi huhifadhiwa kwa kutumia [hash table](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) na kazi ya hashing inayofaa.
+
+![Mchoro wa hifadhidata ya graph unaonyesha uhusiano kati ya watu, maslahi yao na maeneo](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sw.png)
+> Chanzo kutoka [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Graph](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) hifadhidata zinaelezea uhusiano katika data na zinawakilishwa kama mkusanyiko wa nodes na edges. Node inawakilisha chombo, kitu ambacho kipo katika ulimwengu halisi kama mwanafunzi au taarifa ya benki. Edges zinawakilisha uhusiano kati ya vyombo viwili. Kila node na edge zina mali zinazotoa maelezo ya ziada kuhusu kila node na edge.
+
+![Mchoro wa hifadhidata ya columnar unaonyesha hifadhidata ya wateja yenye familia mbili za safuwima zilizoitwa Identity na Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sw.png)
+
+[Columnar](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) hifadhidata huandaa data katika safuwima na safu kama muundo wa data ya kihusiano lakini kila safuwima imegawanywa katika vikundi vinavyoitwa familia ya safuwima, ambapo data yote chini ya safuwima moja inahusiana na inaweza kupatikana na kubadilishwa kama kitengo kimoja.
+
+### Hifadhidata za Nyaraka na Azure Cosmos DB
+
+[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) hifadhidata hujengwa juu ya dhana ya hifadhidata ya key-value na inaundwa na mfululizo wa mashamba na vitu. Sehemu hii itachunguza hifadhidata za nyaraka kwa kutumia emulator ya Cosmos DB.
+
+Hifadhidata ya Cosmos DB inafaa katika ufafanuzi wa "Si SQL Pekee", ambapo hifadhidata ya nyaraka ya Cosmos DB inategemea SQL kuhoji data. [Somo la awali](../05-relational-databases/README.md) kuhusu SQL linashughulikia misingi ya lugha hiyo, na tutaweza kutumia baadhi ya maswali sawa kwenye hifadhidata ya nyaraka hapa. Tutatumia Emulator ya Cosmos DB, ambayo inatuwezesha kuunda na kuchunguza hifadhidata ya nyaraka kwa ndani kwenye kompyuta. Soma zaidi kuhusu Emulator [hapa](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Nyaraka ni mkusanyiko wa mashamba na thamani za vitu, ambapo mashamba yanaelezea kile thamani ya kitu inawakilisha. Hapa chini kuna mfano wa nyaraka.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Mashamba ya kuvutia katika nyaraka hii ni: `firstname`, `id`, na `age`. Mashamba mengine yenye mistari ya chini yalizalishwa na Cosmos DB.
+
+#### Kuchunguza Data kwa Emulator ya Cosmos DB
+
+Unaweza kupakua na kusakinisha emulator [kwa Windows hapa](https://aka.ms/cosmosdb-emulator). Rejelea [hati hii](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) kwa chaguo za jinsi ya kuendesha Emulator kwa macOS na Linux.
+
+Emulator inazindua dirisha la kivinjari, ambapo mwonekano wa Explorer unakuwezesha kuchunguza nyaraka.
+
+![Mwonekano wa Explorer wa Emulator ya Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sw.png)
+
+Ikiwa unafuata, bofya "Start with Sample" ili kuzalisha hifadhidata ya mfano inayoitwa SampleDB. Ukipanua SampleDB kwa kubofya mshale utapata kontena linaloitwa `Persons`, kontena linashikilia mkusanyiko wa vitu, ambavyo ni nyaraka ndani ya kontena. Unaweza kuchunguza nyaraka nne za kibinafsi chini ya `Items`.
+
+![Kuchunguza data ya mfano katika Emulator ya Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sw.png)
+
+#### Kuhoji Data ya Nyaraka kwa Emulator ya Cosmos DB
+
+Tunaweza pia kuhoji data ya mfano kwa kubofya kitufe cha new SQL Query (kitufe cha pili kutoka kushoto).
+
+`SELECT * FROM c` inarudisha nyaraka zote katika kontena. Hebu tuongeze kipengele cha where na tupate kila mtu aliye na umri chini ya miaka 40.
+
+`SELECT * FROM c where c.age < 40`
+
+![Kuendesha swali la SELECT kwenye data ya mfano katika Emulator ya Cosmos DB ili kupata nyaraka zenye thamani ya umri chini ya 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sw.png)
+
+Swali linarejesha nyaraka mbili, angalia thamani ya umri kwa kila nyaraka ni chini ya 40.
+
+#### JSON na Nyaraka
+
+Ikiwa unafahamu JavaScript Object Notation (JSON) utagundua kwamba nyaraka zinafanana na JSON. Kuna faili `PersonsData.json` katika saraka hii yenye data zaidi ambayo unaweza kupakia kwenye kontena la Persons katika Emulator kupitia kitufe cha `Upload Item`.
+
+Katika hali nyingi, API zinazorejesha data ya JSON zinaweza kuhamishwa moja kwa moja na kuhifadhiwa katika hifadhidata za nyaraka. Hapa chini kuna nyaraka nyingine, inawakilisha tweets kutoka akaunti ya Twitter ya Microsoft ambayo ilipatikana kwa kutumia Twitter API, kisha ikaingizwa kwenye Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Mashamba ya kuvutia katika nyaraka hii ni: `created_at`, `id`, na `text`.
+
+## 🚀 Changamoto
+
+Kuna faili `TwitterData.json` ambayo unaweza kupakia kwenye hifadhidata ya SampleDB. Inapendekezwa kwamba uiongeze kwenye kontena tofauti. Hii inaweza kufanywa kwa:
+
+1. Kubofya kitufe cha kontena kipya kwenye kona ya juu kulia
+1. Kuchagua hifadhidata iliyopo (SampleDB) na kuunda kitambulisho cha kontena
+1. Kuweka funguo ya kugawanya kuwa `/id`
+1. Kubofya OK (unaweza kupuuza maelezo mengine katika mwonekano huu kwa kuwa ni seti ndogo ya data inayotumika kwa ndani kwenye kompyuta yako)
+1. Fungua kontena lako jipya na pakia faili ya Twitter Data kwa kitufe cha `Upload Item`
+
+Jaribu kuendesha maswali machache ya SELECT ili kupata nyaraka zenye Microsoft katika shamba la text. Kidokezo: jaribu kutumia [neno kuu la LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character)
+
+## [Maswali ya Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Mapitio na Kujisomea
+
+- Kuna baadhi ya muundo wa ziada na vipengele vilivyoongezwa kwenye lahajedwali hili ambavyo somo hili halishughulikii. Microsoft ina [maktaba kubwa ya nyaraka na video](https://support.microsoft.com/excel) kuhusu Excel ikiwa una nia ya kujifunza zaidi.
+
+- Hati hii ya usanifu inaelezea sifa za aina tofauti za data isiyo ya kihusiano: [Data Isiyo ya Kihusiano na NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- Cosmos DB ni hifadhidata ya wingu isiyo ya kihusiano ambayo pia inaweza kuhifadhi aina tofauti za NoSQL zilizotajwa katika somo hili. Jifunze zaidi kuhusu aina hizi katika [Moduli ya Kujifunza ya Microsoft ya Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/)
+
+## Kazi
+
+[Faida za Soda](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/06-non-relational/assignment.md b/translations/sw/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..a027f1cd
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-26T14:57:34+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Faida za Soda
+
+## Maelekezo
+
+Faili ya [Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) inakosa baadhi ya mahesabu. Kazi yako ni:
+
+1. Hesabu Faida Ghafi za FY '15, '16, '17, na '18
+    - Faida Ghafi = Mapato ya Uendeshaji Halisi - Gharama za bidhaa zilizouzwa
+1. Hesabu wastani wa faida zote ghafi. Jaribu kufanya hili kwa kutumia kipengele.
+    - Wastani = Jumla ya faida ghafi zilizogawanywa na idadi ya miaka ya kifedha (10)
+    - Nyaraka kuhusu [kipengele cha AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Hii ni faili ya Excel, lakini inapaswa kuweza kuhaririwa katika jukwaa lolote la spreadsheet
+
+[Chanzo cha data kimepewa sifa kwa Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Rubric
+
+Bora Zaidi | Inaridhisha | Inahitaji Kuboresha
+--- | --- | --- |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/07-python/README.md b/translations/sw/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..6bba4ca3
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-26T14:42:16+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufanya Kazi na Data: Python na Maktaba ya Pandas
+
+| ![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Kufanya Kazi na Python - _Sketchnote na [@nitya](https://twitter.com/nitya)_              |
+
+[![Video ya Utangulizi](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sw.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Ingawa hifadhidata hutoa njia bora sana za kuhifadhi data na kuzichakata kwa kutumia lugha za maswali, njia inayonyumbulika zaidi ya kuchakata data ni kuandika programu yako mwenyewe ya kuendesha data. Katika hali nyingi, kutumia maswali ya hifadhidata ni njia bora zaidi. Hata hivyo, katika baadhi ya hali ambapo uchakataji wa data changamano zaidi unahitajika, haiwezi kufanyika kwa urahisi kwa kutumia SQL. 
+Uchakataji wa data unaweza kufanywa kwa kutumia lugha yoyote ya programu, lakini kuna lugha fulani ambazo ni za kiwango cha juu zaidi linapokuja suala la kufanya kazi na data. Wanasayansi wa data mara nyingi hupendelea mojawapo ya lugha zifuatazo:
+
+* **[Python](https://www.python.org/)**, lugha ya programu ya matumizi ya jumla, ambayo mara nyingi huchukuliwa kuwa chaguo bora kwa wanaoanza kutokana na urahisi wake. Python ina maktaba nyingi za ziada zinazoweza kukusaidia kutatua matatizo mengi ya vitendo, kama vile kutoa data yako kutoka kwenye jalada la ZIP, au kubadilisha picha kuwa rangi ya kijivu. Mbali na sayansi ya data, Python pia hutumika mara nyingi kwa maendeleo ya wavuti. 
+* **[R](https://www.r-project.org/)** ni zana ya jadi iliyotengenezwa kwa lengo la uchakataji wa takwimu. Pia ina hifadhi kubwa ya maktaba (CRAN), na kuifanya kuwa chaguo zuri kwa uchakataji wa data. Hata hivyo, R si lugha ya programu ya matumizi ya jumla, na mara chache hutumika nje ya uwanja wa sayansi ya data.
+* **[Julia](https://julialang.org/)** ni lugha nyingine iliyotengenezwa mahsusi kwa sayansi ya data. Imeundwa ili kutoa utendaji bora zaidi kuliko Python, na kuifanya kuwa zana nzuri kwa majaribio ya kisayansi.
+
+Katika somo hili, tutazingatia kutumia Python kwa uchakataji rahisi wa data. Tutadhania una ufahamu wa msingi wa lugha hii. Ikiwa unataka kujifunza Python kwa kina zaidi, unaweza kurejelea mojawapo ya rasilimali zifuatazo:
+
+* [Jifunze Python kwa Njia ya Kufurahisha na Michoro ya Turtle na Fractals](https://github.com/shwars/pycourse) - Kozi ya haraka ya utangulizi ya Python kwenye GitHub
+* [Chukua Hatua Zako za Kwanza na Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Njia ya Kujifunza kwenye [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Data inaweza kuja katika aina nyingi. Katika somo hili, tutazingatia aina tatu za data - **data ya jedwali**, **maandishi**, na **picha**.
+
+Tutazingatia mifano michache ya uchakataji wa data, badala ya kukupa muhtasari kamili wa maktaba zote zinazohusiana. Hii itakuruhusu kupata wazo kuu la kinachowezekana, na kukuachia uelewa wa wapi pa kupata suluhisho la matatizo yako unapohitaji.
+
+> **Ushauri muhimu zaidi**. Unapohitaji kufanya operesheni fulani kwenye data ambayo hujui jinsi ya kufanya, jaribu kuitafuta kwenye mtandao. [Stackoverflow](https://stackoverflow.com/) mara nyingi ina sampuli nyingi za msimbo wa Python kwa kazi nyingi za kawaida.
+
+## [Jaribio la Kabla ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Data ya Jedwali na Dataframes
+
+Tayari umekutana na data ya jedwali tulipozungumzia hifadhidata za uhusiano. Unapokuwa na data nyingi, na imehifadhiwa katika meza nyingi zilizounganishwa, inafaa kutumia SQL kufanya kazi nayo. Hata hivyo, kuna hali nyingi ambapo tuna jedwali la data, na tunahitaji kupata **ufahamu** au **maarifa** kuhusu data hii, kama vile usambazaji, uhusiano kati ya thamani, n.k. Katika sayansi ya data, kuna hali nyingi ambapo tunahitaji kufanya mabadiliko ya data ya awali, ikifuatiwa na uwasilishaji wa picha. Hatua zote mbili zinaweza kufanywa kwa urahisi kwa kutumia Python.
+
+Kuna maktaba mbili muhimu zaidi katika Python zinazoweza kukusaidia kushughulikia data ya jedwali:
+* **[Pandas](https://pandas.pydata.org/)** inakuwezesha kuendesha kinachoitwa **Dataframes**, ambazo ni sawa na meza za uhusiano. Unaweza kuwa na safu zilizopewa majina, na kufanya operesheni tofauti kwenye safu, safu wima, na dataframes kwa ujumla. 
+* **[Numpy](https://numpy.org/)** ni maktaba ya kufanya kazi na **tensors**, yaani **arrays** za vipimo vingi. Array ina thamani za aina moja ya msingi, na ni rahisi zaidi kuliko dataframe, lakini inatoa operesheni zaidi za kihisabati, na inazalisha mzigo mdogo.
+
+Pia kuna maktaba nyingine chache unazopaswa kujua:
+* **[Matplotlib](https://matplotlib.org/)** ni maktaba inayotumika kwa uwasilishaji wa data na kuchora grafu
+* **[SciPy](https://www.scipy.org/)** ni maktaba yenye baadhi ya kazi za kisayansi za ziada. Tayari tumekutana na maktaba hii tulipozungumzia uwezekano na takwimu
+
+Hapa kuna kipande cha msimbo ambacho ungeweza kutumia kuingiza maktaba hizi mwanzoni mwa programu yako ya Python:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas inazingatia dhana chache za msingi.
+
+### Series 
+
+**Series** ni mlolongo wa thamani, sawa na orodha au numpy array. Tofauti kuu ni kwamba series pia ina **index**, na tunapofanya operesheni kwenye series (mfano, kuziongeza), index inazingatiwa. Index inaweza kuwa rahisi kama namba ya mstari wa integer (ndiyo index inayotumika kwa chaguo-msingi wakati wa kuunda series kutoka kwenye orodha au array), au inaweza kuwa na muundo changamano, kama vile muda wa tarehe.
+
+> **Kumbuka**: Kuna msimbo wa utangulizi wa Pandas katika daftari linaloambatana [`notebook.ipynb`](notebook.ipynb). Tunatoa mifano michache hapa, na unakaribishwa kabisa kuangalia daftari kamili.
+
+Fikiria mfano: tunataka kuchambua mauzo ya duka letu la ice-cream. Hebu tuunde mfululizo wa namba za mauzo (idadi ya bidhaa zilizouzwa kila siku) kwa kipindi fulani cha muda:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+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()
+```
+![Mchoro wa Muda wa Mauzo](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sw.png)
+
+Sasa tuseme kila wiki tunaandaa sherehe kwa marafiki, na tunachukua pakiti 10 za ziada za ice-cream kwa ajili ya sherehe. Tunaweza kuunda mfululizo mwingine, ulio na index ya wiki, kuonyesha hilo:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+Tunapoongeza mfululizo miwili pamoja, tunapata jumla ya idadi:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Mchoro wa Muda wa Mauzo Jumla](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sw.png)
+
+> **Kumbuka** kwamba hatutumii sintaksia rahisi `total_items+additional_items`. Tukifanya hivyo, tungepata thamani nyingi za `NaN` (*Not a Number*) katika mfululizo wa matokeo. Hii ni kwa sababu kuna thamani zinazokosekana kwa baadhi ya pointi za index katika mfululizo wa `additional_items`, na kuongeza `NaN` kwa kitu chochote husababisha `NaN`. Kwa hivyo tunahitaji kutaja kipengele cha `fill_value` wakati wa kuongeza.
+
+Kwa mfululizo wa muda, tunaweza pia **kurekebisha upya** mfululizo kwa vipindi tofauti vya muda. Kwa mfano, tuseme tunataka kuhesabu wastani wa mauzo kila mwezi. Tunaweza kutumia msimbo huu:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Wastani wa Muda wa Mauzo ya Kila Mwezi](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sw.png)
+
+### DataFrame
+
+DataFrame kimsingi ni mkusanyiko wa mfululizo wenye index sawa. Tunaweza kuchanganya mfululizo kadhaa pamoja kuwa DataFrame:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+Hii itaunda jedwali la mlalo kama hili:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Tunaweza pia kutumia Series kama safu wima, na kutaja majina ya safu wima kwa kutumia kamusi:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+Hii itatupa jedwali kama hili:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Kumbuka** kwamba tunaweza pia kupata mpangilio huu wa jedwali kwa kubadilisha jedwali la awali, kwa mfano kwa kuandika 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+Hapa `.T` inamaanisha operesheni ya kubadilisha DataFrame, yaani kubadilisha safu na safu wima, na operesheni ya `rename` inaruhusu sisi kubadilisha majina ya safu wima ili yafanane na mfano wa awali.
+
+Hapa kuna baadhi ya operesheni muhimu zaidi tunazoweza kufanya kwenye DataFrames:
+
+**Uchaguzi wa safu wima**. Tunaweza kuchagua safu wima moja kwa kuandika `df['A']` - operesheni hii inarudisha Series. Tunaweza pia kuchagua sehemu ndogo ya safu wima kuwa DataFrame nyingine kwa kuandika `df[['B','A']]` - hii inarudisha DataFrame nyingine.
+
+**Kuchuja** safu fulani kwa vigezo. Kwa mfano, ili kuacha tu safu zenye safu wima `A` kubwa kuliko 5, tunaweza kuandika `df[df['A']>5]`.
+
+> **Kumbuka**: Njia ambayo kuchuja hufanya kazi ni kama ifuatavyo. Usemi `df['A']<5` unarudisha mfululizo wa boolean, unaoonyesha kama usemi ni `True` au `False` kwa kila kipengele cha mfululizo wa awali `df['A']`. Wakati mfululizo wa boolean unatumika kama index, unarudisha sehemu ndogo ya safu katika DataFrame. Kwa hivyo haiwezekani kutumia usemi wa boolean wa Python wa kawaida, kwa mfano, kuandika `df[df['A']>5 and df['A']<7]` itakuwa makosa. Badala yake, unapaswa kutumia operesheni maalum ya `&` kwenye mfululizo wa boolean, kwa kuandika `df[(df['A']>5) & (df['A']<7)]` (*mabano ni muhimu hapa*).
+
+**Kuunda safu wima mpya za kuhesabu**. Tunaweza kwa urahisi kuunda safu wima mpya za kuhesabu kwa DataFrame yetu kwa kutumia usemi wa angavu kama huu:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+Mfano huu unahesabu tofauti ya A kutoka thamani yake ya wastani. Kinachotokea hapa ni kwamba tunahesabu mfululizo, kisha tunauweka kwenye upande wa kushoto, na kuunda safu wima nyingine. Kwa hivyo, hatuwezi kutumia operesheni zozote ambazo hazilingani na mfululizo, kwa mfano, msimbo hapa chini ni makosa:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+Mfano wa mwisho, ingawa ni sahihi kisintaksia, unatupa matokeo mabaya, kwa sababu unaweka urefu wa mfululizo `B` kwa thamani zote kwenye safu wima, na si urefu wa vipengele vya mtu binafsi kama tulivyokusudia.
+
+Ikiwa tunahitaji kuhesabu usemi changamano kama huu, tunaweza kutumia kazi ya `apply`. Mfano wa mwisho unaweza kuandikwa kama ifuatavyo:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+Baada ya operesheni hapo juu, tutakuwa na DataFrame ifuatayo:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Kuchagua safu kwa namba** kunaweza kufanywa kwa kutumia muundo wa `iloc`. Kwa mfano, kuchagua safu 5 za kwanza kutoka kwenye DataFrame:
+```python
+df.iloc[:5]
+```
+
+**Kugawanya** mara nyingi hutumika kupata matokeo yanayofanana na *pivot tables* katika Excel. Tuseme tunataka kuhesabu wastani wa thamani ya safu wima `A` kwa kila idadi fulani ya `LenB`. Kisha tunaweza kugawanya DataFrame yetu kwa `LenB`, na kuita `mean`:
+```python
+df.groupby(by='LenB').mean()
+```
+Ikiwa tunahitaji kuhesabu wastani na idadi ya vipengele katika kikundi, basi tunaweza kutumia kazi changamano zaidi ya `aggregate`:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+Hii inatupa jedwali lifuatalo:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Kupata Data
+Tumeona jinsi ilivyo rahisi kuunda Series na DataFrames kutoka kwa vitu vya Python. Hata hivyo, data mara nyingi huja katika mfumo wa faili ya maandishi, au jedwali la Excel. Kwa bahati nzuri, Pandas inatupa njia rahisi ya kupakia data kutoka diski. Kwa mfano, kusoma faili ya CSV ni rahisi kama hivi:  
+```python
+df = pd.read_csv('file.csv')
+```  
+Tutaona mifano zaidi ya kupakia data, ikiwa ni pamoja na kuipata kutoka tovuti za nje, katika sehemu ya "Changamoto".  
+
+### Kuchapisha na Kuchora  
+
+Mwanasayansi wa Data mara nyingi anahitaji kuchunguza data, hivyo ni muhimu kuwa na uwezo wa kuiona kwa picha. Wakati DataFrame ni kubwa, mara nyingi tunataka tu kuhakikisha tunafanya kila kitu kwa usahihi kwa kuchapisha mistari michache ya kwanza. Hii inaweza kufanyika kwa kupiga `df.head()`. Ikiwa unaiendesha kutoka Jupyter Notebook, itachapisha DataFrame katika mfumo mzuri wa tabular.  
+
+Tumeona pia matumizi ya kazi ya `plot` kuonyesha baadhi ya safu. Ingawa `plot` ni muhimu sana kwa kazi nyingi, na inasaidia aina nyingi za grafu kupitia parameter ya `kind=`, unaweza daima kutumia maktaba ya msingi ya `matplotlib` kuchora kitu kigumu zaidi. Tutashughulikia uonyeshaji wa data kwa undani katika masomo tofauti ya kozi.  
+
+Muhtasari huu unashughulikia dhana muhimu zaidi za Pandas, hata hivyo, maktaba hii ni tajiri sana, na hakuna kikomo cha kile unachoweza kufanya nayo! Sasa hebu tutumie maarifa haya kutatua tatizo maalum.  
+
+## 🚀 Changamoto ya 1: Kuchambua Kuenea kwa COVID  
+
+Tatizo la kwanza ambalo tutalenga ni uundaji wa kuenea kwa janga la COVID-19. Ili kufanya hivyo, tutatumia data ya idadi ya watu walioambukizwa katika nchi tofauti, iliyotolewa na [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) katika [Chuo Kikuu cha Johns Hopkins](https://jhu.edu/). Dataset inapatikana katika [Hifadhi hii ya GitHub](https://github.com/CSSEGISandData/COVID-19).  
+
+Kwa kuwa tunataka kuonyesha jinsi ya kushughulikia data, tunakualika kufungua [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) na kuisoma kutoka juu hadi chini. Unaweza pia kutekeleza seli, na kufanya changamoto ambazo tumekuachia mwishoni.  
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sw.png)  
+
+> Ikiwa hujui jinsi ya kuendesha msimbo katika Jupyter Notebook, angalia [makala hii](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).  
+
+## Kufanya Kazi na Data Isiyo na Muundo  
+
+Ingawa data mara nyingi huja katika mfumo wa tabular, katika baadhi ya matukio tunahitaji kushughulikia data isiyo na muundo, kwa mfano, maandishi au picha. Katika hali hii, ili kutumia mbinu za usindikaji wa data tulizoona hapo juu, tunahitaji kwa namna fulani **kuchota** data yenye muundo. Hapa kuna mifano michache:  
+
+* Kuchota maneno muhimu kutoka kwa maandishi, na kuona mara ngapi maneno hayo yanatokea  
+* Kutumia mitandao ya neva kuchota taarifa kuhusu vitu vilivyopo kwenye picha  
+* Kupata taarifa kuhusu hisia za watu kwenye video ya kamera  
+
+## 🚀 Changamoto ya 2: Kuchambua Makala za COVID  
+
+Katika changamoto hii, tutaendelea na mada ya janga la COVID, na kuzingatia usindikaji wa makala za kisayansi kuhusu mada hiyo. Kuna [Dataset ya CORD-19](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) yenye zaidi ya makala 7000 (wakati wa kuandika) kuhusu COVID, inapatikana na metadata na muhtasari (na kwa karibu nusu ya makala kuna maandishi kamili pia).  
+
+Mfano kamili wa kuchambua dataset hii kwa kutumia huduma ya kiakili ya [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) umeelezwa [katika blogu hii](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Tutajadili toleo rahisi la uchambuzi huu.  
+
+> **NOTE**: Hatutoi nakala ya dataset kama sehemu ya hifadhi hii. Huenda ukahitaji kwanza kupakua faili ya [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) kutoka [dataset hii kwenye Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Usajili na Kaggle unaweza kuhitajika. Unaweza pia kupakua dataset bila usajili [kutoka hapa](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), lakini itajumuisha maandishi kamili yote pamoja na faili ya metadata.  
+
+Fungua [`notebook-papers.ipynb`](notebook-papers.ipynb) na isome kutoka juu hadi chini. Unaweza pia kutekeleza seli, na kufanya changamoto ambazo tumekuachia mwishoni.  
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sw.png)  
+
+## Usindikaji wa Data ya Picha  
+
+Hivi karibuni, mifano yenye nguvu sana ya AI imeendelezwa ambayo inaruhusu kuelewa picha. Kuna kazi nyingi ambazo zinaweza kutatuliwa kwa kutumia mitandao ya neva iliyofunzwa awali, au huduma za wingu. Mifano kadhaa ni pamoja na:  
+
+* **Uainishaji wa Picha**, ambao unaweza kukusaidia kuainisha picha katika mojawapo ya madarasa yaliyotangulia. Unaweza kwa urahisi kufundisha uainishaji wako wa picha kwa kutumia huduma kama [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum)  
+* **Utambuzi wa Vitu** ili kutambua vitu tofauti kwenye picha. Huduma kama [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) zinaweza kutambua idadi ya vitu vya kawaida, na unaweza kufundisha [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) kutambua vitu maalum vya maslahi.  
+* **Utambuzi wa Uso**, ikiwa ni pamoja na Umri, Jinsia na Utambuzi wa Hisia. Hii inaweza kufanyika kupitia [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).  
+
+Huduma zote za wingu zinaweza kuitwa kwa kutumia [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), na hivyo zinaweza kuingizwa kwa urahisi katika mtiririko wako wa uchunguzi wa data.  
+
+Hapa kuna mifano ya kuchunguza data kutoka vyanzo vya data ya Picha:  
+* Katika blogu ya [Jinsi ya Kujifunza Sayansi ya Data bila Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) tunachunguza picha za Instagram, tukijaribu kuelewa ni nini kinachofanya watu kutoa likes zaidi kwa picha. Kwanza tunachota taarifa nyingi kutoka kwa picha kwa kutumia [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), kisha tunatumia [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) kujenga mfano unaoweza kufasiriwa.  
+* Katika [Warsha ya Utafiti wa Uso](https://github.com/CloudAdvocacy/FaceStudies) tunatumia [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) kuchota hisia za watu kwenye picha kutoka matukio, ili kujaribu kuelewa ni nini kinachofanya watu kuwa na furaha.  
+
+## Hitimisho  
+
+Ikiwa tayari una data yenye muundo au isiyo na muundo, kwa kutumia Python unaweza kufanya hatua zote zinazohusiana na usindikaji wa data na uelewa. Hii pengine ndiyo njia rahisi zaidi ya usindikaji wa data, na ndiyo sababu wataalamu wengi wa data hutumia Python kama chombo chao kikuu. Kujifunza Python kwa kina ni wazo zuri ikiwa unachukua safari yako ya sayansi ya data kwa uzito!  
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)  
+
+## Mapitio na Kujifunza Mwenyewe  
+
+**Vitabu**  
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)  
+
+**Rasilimali za Mtandaoni**  
+* Mafunzo rasmi ya [Dakika 10 za Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html)  
+* [Nyaraka za Uonyeshaji wa Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)  
+
+**Kujifunza Python**  
+* [Jifunze Python kwa Njia ya Kufurahisha na Michoro ya Turtle na Fractals](https://github.com/shwars/pycourse)  
+* [Chukua Hatua Zako za Kwanza na Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Njia ya Kujifunza kwenye [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)  
+
+## Kazi  
+
+[Fanya uchambuzi wa kina wa data kwa changamoto zilizo hapo juu](assignment.md)  
+
+## Credits  
+
+Somu hili limeandikwa kwa ♥️ na [Dmitry Soshnikov](http://soshnikov.com)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/07-python/assignment.md b/translations/sw/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..c690eb2b
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-26T14:51:05+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kazi ya Usindikaji wa Takwimu kwa Python
+
+Katika kazi hii, tutakuomba uelezee zaidi kuhusu msimbo ambao tumeanza kuunda katika changamoto zetu. Kazi hii ina sehemu mbili:
+
+## Uundaji wa Mfano wa Kuenea kwa COVID-19
+
+ - [ ] Chora grafu za *R* kwa nchi 5-6 tofauti kwenye grafu moja kwa kulinganisha, au kwa kutumia grafu kadhaa kando kwa kando.
+ - [ ] Angalia jinsi idadi ya vifo na waliopona inavyohusiana na idadi ya kesi za maambukizi.
+ - [ ] Tafuta muda wa kawaida wa ugonjwa kwa kuhusisha kwa macho kiwango cha maambukizi na kiwango cha vifo na kutafuta kasoro fulani. Huenda ukahitaji kuangalia nchi tofauti ili kugundua hilo.
+ - [ ] Hesabu kiwango cha vifo na jinsi kinavyobadilika kwa muda. *Huenda ukahitaji kuzingatia muda wa ugonjwa kwa siku ili kuhamisha mfululizo wa muda mmoja kabla ya kufanya mahesabu.*
+
+## Uchambuzi wa Makala za COVID-19
+
+- [ ] Unda matriki ya kuonekana pamoja ya dawa tofauti, na angalia ni dawa zipi zinazoonekana mara nyingi pamoja (yaani, zilizotajwa katika muhtasari mmoja). Unaweza kurekebisha msimbo wa kuunda matriki ya kuonekana pamoja kwa dawa na magonjwa.
+- [ ] Onyesha matriki hii kwa kutumia ramani ya joto.
+- [ ] Kama lengo la ziada, onyesha kuonekana pamoja kwa dawa kwa kutumia [chord diagram](https://en.wikipedia.org/wiki/Chord_diagram). [Maktaba hii](https://pypi.org/project/chord/) inaweza kukusaidia kuchora chord diagram.
+- [ ] Kama lengo lingine la ziada, toa dozi za dawa tofauti (kama **400mg** katika *chukua 400mg ya chloroquine kila siku*) kwa kutumia misemo ya kawaida, na unda dataframe inayoonyesha dozi tofauti za dawa tofauti. **Kumbuka**: zingatia thamani za nambari ambazo ziko karibu na jina la dawa kwa maandishi.
+
+## Rubric
+
+Bora Zaidi | Inaridhisha | Inahitaji Kuboresha
+--- | --- | -- |
+Majukumu yote yamekamilika, yameonyeshwa kwa picha na kuelezewa, ikiwa ni pamoja na angalau moja ya malengo mawili ya ziada | Zaidi ya majukumu 5 yamekamilika, hakuna malengo ya ziada yaliyofanywa, au matokeo hayako wazi | Chini ya majukumu 5 (lakini zaidi ya 3) yamekamilika, vielelezo havisaidii kuonyesha hoja
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/08-data-preparation/README.md b/translations/sw/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..2637df99
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,346 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-26T14:34:23+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufanya Kazi na Data: Maandalizi ya Data
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Maandalizi ya Data - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+Kutegemea chanzo chake, data ghafi inaweza kuwa na kutokubaliana fulani ambazo zitasababisha changamoto katika uchambuzi na uundaji wa mifano. Kwa maneno mengine, data hii inaweza kuainishwa kama "chafu" na itahitaji kusafishwa. Somo hili linazingatia mbinu za kusafisha na kubadilisha data ili kushughulikia changamoto za data iliyopotea, isiyo sahihi, au isiyokamilika. Mada zilizojadiliwa katika somo hili zitatumia Python na maktaba ya Pandas na zitaonyeshwa [katika daftari](notebook.ipynb) ndani ya saraka hii.
+
+## Umuhimu wa Kusafisha Data
+
+- **Urahisi wa matumizi na matumizi tena**: Wakati data imepangwa vizuri na kuhalalishwa, ni rahisi kuitafuta, kuitumia, na kushirikiana na wengine.
+
+- **Uthabiti**: Sayansi ya data mara nyingi inahitaji kufanya kazi na seti zaidi ya moja ya data, ambapo seti za data kutoka vyanzo tofauti zinahitaji kuunganishwa pamoja. Kuhakikisha kwamba kila seti ya data ina kiwango cha kawaida kutahakikisha kuwa data bado ni muhimu wakati zote zimeunganishwa kuwa seti moja ya data.
+
+- **Usahihi wa mifano**: Data ambayo imesafishwa inaboresha usahihi wa mifano inayotegemea data hiyo.
+
+## Malengo na Mikakati ya Kawaida ya Kusafisha
+
+- **Kuchunguza seti ya data**: Uchunguzi wa data, ambao unajadiliwa katika [somo la baadaye](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), unaweza kukusaidia kugundua data inayohitaji kusafishwa. Kuangalia kwa macho thamani ndani ya seti ya data kunaweza kuweka matarajio ya jinsi sehemu nyingine itakavyokuwa, au kutoa wazo la matatizo yanayoweza kutatuliwa. Uchunguzi unaweza kuhusisha kuuliza maswali ya msingi, kuonyesha data kwa njia ya picha, na kuchukua sampuli.
+
+- **Uundaji**: Kutegemea chanzo, data inaweza kuwa na kutokubaliana katika jinsi inavyowasilishwa. Hii inaweza kusababisha matatizo katika kutafuta na kuwakilisha thamani, ambapo inaonekana ndani ya seti ya data lakini haijawakilishwa vizuri katika picha au matokeo ya maswali. Matatizo ya kawaida ya uundaji yanahusisha kutatua nafasi tupu, tarehe, na aina za data. Kutatua masuala ya uundaji mara nyingi ni jukumu la watu wanaotumia data. Kwa mfano, viwango vya jinsi tarehe na namba zinavyowasilishwa vinaweza kutofautiana kulingana na nchi.
+
+- **Marudio**: Data ambayo ina tukio zaidi ya moja inaweza kutoa matokeo yasiyo sahihi na kwa kawaida inapaswa kuondolewa. Hii inaweza kuwa tukio la kawaida wakati wa kuunganisha seti mbili au zaidi za data pamoja. Hata hivyo, kuna hali ambapo marudio katika seti za data zilizounganishwa zina vipande vinavyoweza kutoa taarifa za ziada na zinaweza kuhitaji kuhifadhiwa.
+
+- **Data Iliyopotea**: Data iliyopotea inaweza kusababisha matokeo yasiyo sahihi pamoja na matokeo dhaifu au yenye upendeleo. Wakati mwingine haya yanaweza kutatuliwa kwa "kupakia tena" data, kujaza thamani zilizopotea kwa hesabu na msimbo kama Python, au tu kuondoa thamani na data inayohusiana. Kuna sababu nyingi kwa nini data inaweza kupotea na hatua zinazochukuliwa kutatua thamani zilizopotea zinaweza kutegemea jinsi na kwa nini zilipotea.
+
+## Kuchunguza Taarifa za DataFrame
+> **Lengo la kujifunza:** Mwisho wa sehemu hii ndogo, unapaswa kuwa na ujuzi wa kupata taarifa za jumla kuhusu data iliyohifadhiwa katika DataFrames za pandas.
+
+Mara tu unapopakia data yako kwenye pandas, kuna uwezekano mkubwa kuwa itakuwa katika DataFrame (rejelea [somo la awali](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) kwa muhtasari wa kina). Hata hivyo, ikiwa seti ya data katika DataFrame yako ina safu 60,000 na nguzo 400, unaanzaje kupata hisia ya unachofanya kazi nacho? Kwa bahati nzuri, [pandas](https://pandas.pydata.org/) hutoa zana rahisi za kuangalia haraka taarifa za jumla kuhusu DataFrame pamoja na safu chache za mwanzo na za mwisho.
+
+Ili kuchunguza utendaji huu, tutaleta maktaba ya Python scikit-learn na kutumia seti ya data maarufu: **Seti ya data ya Iris**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |urefu wa sepal (cm)|upana wa sepal (cm)|urefu wa petal (cm)|upana wa petal (cm)|
+|----------------------------------------|-------------------|-------------------|-------------------|-------------------|
+|0                                       |5.1                |3.5                |1.4                |0.2                |
+|1                                       |4.9                |3.0                |1.4                |0.2                |
+|2                                       |4.7                |3.2                |1.3                |0.2                |
+|3                                       |4.6                |3.1                |1.5                |0.2                |
+|4                                       |5.0                |3.6                |1.4                |0.2                |
+
+- **DataFrame.info**: Kuanza, njia ya `info()` inatumika kuchapisha muhtasari wa yaliyomo katika `DataFrame`. Hebu tuangalie seti hii ya data ili kuona tunachonacho:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+Kutoka hapa, tunajua kwamba seti ya data ya *Iris* ina maingizo 150 katika nguzo nne bila maingizo tupu. Data yote imehifadhiwa kama namba za nukta zinazozunguka za biti 64.
+
+- **DataFrame.head()**: Kisha, ili kuangalia yaliyomo halisi ya `DataFrame`, tunatumia njia ya `head()`. Hebu tuone safu chache za mwanzo za `iris_df` yetu:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Kinyume chake, ili kuangalia safu chache za mwisho za `DataFrame`, tunatumia njia ya `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Hitimisho:** Hata kwa kuangalia tu metadata kuhusu taarifa katika DataFrame au thamani chache za mwanzo na za mwisho, unaweza kupata wazo la haraka kuhusu ukubwa, umbo, na yaliyomo ya data unayoshughulika nayo.
+
+## Kushughulikia Data Iliyopotea
+> **Lengo la kujifunza:** Mwisho wa sehemu hii ndogo, unapaswa kujua jinsi ya kubadilisha au kuondoa thamani tupu kutoka DataFrames.
+
+Mara nyingi seti za data unazotaka kutumia (au unazopaswa kutumia) zina thamani zilizopotea ndani yake. Jinsi data iliyopotea inavyoshughulikiwa hubeba na yenyewe maamuzi madogo ambayo yanaweza kuathiri uchambuzi wako wa mwisho na matokeo halisi ya ulimwengu.
+
+Pandas hushughulikia thamani zilizopotea kwa njia mbili. Ya kwanza umeiona hapo awali katika sehemu zilizopita: `NaN`, au Sio Namba. Hii ni thamani maalum ambayo ni sehemu ya maelezo ya nukta zinazozunguka za IEEE na hutumika tu kuonyesha thamani za nukta zinazozunguka zilizopotea.
+
+Kwa thamani zilizopotea mbali na nukta zinazozunguka, pandas hutumia kitu cha Python `None`. Ingawa inaweza kuonekana kuwa ni mkanganyiko kwamba utakutana na aina mbili tofauti za thamani zinazosema kimsingi jambo moja, kuna sababu za kimaandishi za mpango kwa chaguo hili la muundo na, kwa mazoezi, njia hii inawezesha pandas kutoa suluhisho nzuri kwa hali nyingi. Licha ya hili, zote `None` na `NaN` zina vikwazo ambavyo unahitaji kuwa makini navyo kuhusu jinsi zinavyoweza kutumika.
+
+Angalia zaidi kuhusu `NaN` na `None` kutoka [daftari](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Kugundua thamani tupu**: Katika `pandas`, njia za `isnull()` na `notnull()` ni njia zako kuu za kugundua data tupu. Zote zinarudisha maski za Boolean juu ya data yako. Tutatumia `numpy` kwa thamani za `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Angalia kwa makini matokeo. Je, kuna lolote linalokushangaza? Ingawa `0` ni null ya hesabu, bado ni namba kamili nzuri na pandas inaitendea kama hiyo. `''` ni kidogo zaidi ya hila. Ingawa tulitumia katika Sehemu ya 1 kuwakilisha thamani ya kamba tupu, bado ni kitu cha kamba na si uwakilishi wa null kulingana na pandas.
+
+Sasa, hebu tugeuze hili na tutumie njia hizi kwa namna zaidi kama unavyotumia kwa mazoezi. Unaweza kutumia maski za Boolean moja kwa moja kama `Series` au `DataFrame` index, ambayo inaweza kuwa muhimu wakati wa kujaribu kufanya kazi na thamani zilizopotea (au zilizopo) pekee.
+
+> **Hitimisho**: Zote `isnull()` na `notnull()` zinatoa matokeo yanayofanana unapozitumia katika `DataFrame`s: zinaonyesha matokeo na index ya matokeo hayo, ambayo itakusaidia sana unaposhughulika na data yako.
+
+- **Kuondoa thamani tupu**: Zaidi ya kutambua thamani zilizopotea, pandas hutoa njia rahisi ya kuondoa thamani tupu kutoka `Series` na `DataFrame`s. (Hasa kwenye seti kubwa za data, mara nyingi ni busara zaidi kuondoa thamani zilizopotea [NA] kutoka uchambuzi wako kuliko kushughulika nazo kwa njia nyingine.) Ili kuona hili likifanya kazi, hebu turudi kwa `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Kumbuka kwamba hii inapaswa kuonekana kama matokeo yako kutoka `example3[example3.notnull()]`. Tofauti hapa ni kwamba, badala ya kuindex tu kwenye thamani zilizofichwa, `dropna` imeondoa thamani zilizopotea kutoka `Series` `example1`.
+
+Kwa sababu `DataFrame`s zina vipimo viwili, zinatoa chaguo zaidi za kuondoa data.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Je, uliona kwamba pandas ilibadilisha nguzo mbili kuwa nukta zinazozunguka ili kukidhi `NaN`s?)
+
+Huwezi kuondoa thamani moja kutoka `DataFrame`, kwa hivyo lazima uondoe safu nzima au nguzo. Kutegemea unachofanya, unaweza kutaka kufanya moja au nyingine, na kwa hivyo pandas inakupa chaguo zote mbili. Kwa sababu katika sayansi ya data, nguzo kwa kawaida zinawakilisha vigezo na safu zinawakilisha uchunguzi, una uwezekano mkubwa wa kuondoa safu za data; mpangilio wa msingi wa `dropna()` ni kuondoa safu zote zinazojumuisha thamani yoyote tupu:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Ikiwa ni lazima, unaweza kuondoa thamani za NA kutoka nguzo. Tumia `axis=1` kufanya hivyo:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Kumbuka kwamba hii inaweza kuondoa data nyingi unazoweza kutaka kuhifadhi, hasa katika seti ndogo za data. Je, ikiwa unataka tu kuondoa safu au nguzo zinazojumuisha thamani kadhaa au hata zote tupu? Unaweza kutaja mipangilio hiyo katika `dropna` kwa vigezo vya `how` na `thresh`.
+
+Kwa msingi, `how='any'` (ikiwa ungependa kuangalia mwenyewe au kuona vigezo vingine ambavyo njia hiyo ina, endesha `example4.dropna?` katika seli ya msimbo). Unaweza badala yake kutaja `how='all'` ili kuondoa tu safu au nguzo zinazojumuisha thamani zote tupu. Hebu tuongeze mfano wetu wa `DataFrame` ili kuona hili likifanya kazi.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+Kigezo cha `thresh` kinakupa udhibiti wa kina zaidi: unaweka idadi ya thamani *zisizo tupu* ambazo safu au nguzo zinahitaji kuwa nazo ili kuhifadhiwa:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Hapa, safu ya kwanza na ya mwisho zimeondolewa, kwa sababu zinajumuisha thamani mbili tu zisizo tupu.
+
+- **Kujaza thamani tupu**: Kutegemea seti yako ya data, wakati mwingine inaweza kuwa na maana zaidi kujaza thamani tupu na zile halali badala ya kuziondoa. Unaweza kutumia `isnull` kufanya hivyo mahali pake, lakini hiyo inaweza kuwa kazi ngumu, hasa ikiwa una thamani nyingi za kujaza. Kwa sababu hii ni kazi ya kawaida sana katika sayansi ya data, pandas hutoa `fillna`, ambayo inarudisha nakala ya `Series` au `DataFrame` na thamani zilizopotea zimebadilishwa na moja unayochagua. Hebu tuunde mfano mwingine wa `Series` ili kuona jinsi hii inavyofanya kazi kwa mazoezi.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Unaweza kujaza maingizo yote tupu na thamani moja, kama `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Unaweza **kujaza mbele** thamani tupu, ambayo ni kutumia thamani halali ya mwisho kujaza tupu:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+Unaweza pia **kujaza nyuma** ili kueneza thamani halali inayofuata nyuma kujaza tupu:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Kama unavyoweza kudhani, hii inafanya kazi sawa na `DataFrame`s, lakini unaweza pia kutaja `axis` ambayo kujaza thamani tupu kunafanyika. ukitumia tena `example2` iliyotumika hapo awali:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Kumbuka kwamba wakati thamani ya awali haipatikani kwa kujaza mbele, thamani tupu inabaki.
+> **Mambo Muhimu:** Kuna njia nyingi za kushughulikia thamani zilizokosekana katika seti zako za data. Mkakati maalum unaotumia (kuondoa, kubadilisha, au hata jinsi unavyobadilisha) unapaswa kuamuliwa na maelezo ya data hiyo. Utapata uelewa bora wa jinsi ya kushughulikia thamani zilizokosekana kadri unavyoshughulikia na kuingiliana na seti za data.
+
+## Kuondoa data rudufu
+
+> **Lengo la kujifunza:** Mwisho wa sehemu hii ndogo, unapaswa kuwa na ujuzi wa kutambua na kuondoa thamani rudufu kutoka kwa DataFrames.
+
+Mbali na data iliyokosekana, mara nyingi utakutana na data rudufu katika seti za data za ulimwengu halisi. Kwa bahati nzuri, `pandas` inatoa njia rahisi ya kugundua na kuondoa maingizo rudufu.
+
+- **Kutambua rudufu: `duplicated`**: Unaweza kutambua kwa urahisi thamani rudufu kwa kutumia njia ya `duplicated` katika pandas, ambayo inarudisha mask ya Boolean inayoonyesha ikiwa ingizo katika `DataFrame` ni rudufu ya moja ya awali. Hebu tuunde mfano mwingine wa `DataFrame` ili kuona hili likifanya kazi.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Kuondoa rudufu: `drop_duplicates`:** inarudisha nakala ya data ambayo thamani zote za `duplicated` ni `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Njia zote mbili `duplicated` na `drop_duplicates` kwa chaguo-msingi huzingatia safu zote, lakini unaweza kubainisha kwamba zichunguze tu sehemu ndogo ya safu katika `DataFrame` yako:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Mambo Muhimu:** Kuondoa data rudufu ni sehemu muhimu ya karibu kila mradi wa sayansi ya data. Data rudufu inaweza kubadilisha matokeo ya uchambuzi wako na kukupa matokeo yasiyo sahihi!
+
+
+## 🚀 Changamoto
+
+Vifaa vyote vilivyojadiliwa vinapatikana kama [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Zaidi ya hayo, kuna mazoezi yaliyopo baada ya kila sehemu, jaribu kuyafanya!
+
+## [Jaribio Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## Mapitio na Kujifunza Mwenyewe
+
+Kuna njia nyingi za kugundua na kukaribia kuandaa data yako kwa uchambuzi na uundaji wa mifano, na kusafisha data ni hatua muhimu ambayo ni uzoefu wa "vitendo". Jaribu changamoto hizi kutoka Kaggle ili kuchunguza mbinu ambazo somo hili halikuzungumzia.
+
+- [Changamoto ya Kusafisha Data: Kuchambua Tarehe](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Changamoto ya Kusafisha Data: Kupima na Kuweka Kawaida Data](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## Kazi
+
+[Kutathmini Data kutoka Fomu](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/08-data-preparation/assignment.md b/translations/sw/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..ba4b6f9f
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-26T14:41:23+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kutathmini Data kutoka Fomu
+
+Mteja amekuwa akijaribu [fomu ndogo](../../../../2-Working-With-Data/08-data-preparation/index.html) kukusanya data ya msingi kuhusu wateja wao. Wameleta matokeo yao kwako ili uthibitishe data waliyokusanya. Unaweza kufungua ukurasa wa `index.html` kwenye kivinjari ili kuangalia fomu hiyo.
+
+Umepewa [seti ya data ya rekodi za csv](../../../../data/form.csv) ambazo zina maingizo kutoka kwenye fomu pamoja na baadhi ya taswira za msingi. Mteja ameonyesha kuwa baadhi ya taswira zinaonekana kuwa si sahihi lakini hawajui jinsi ya kuzitatua. Unaweza kuchunguza hili katika [notebook ya kazi](assignment.ipynb).
+
+## Maelekezo
+
+Tumia mbinu zilizofundishwa katika somo hili kutoa mapendekezo kuhusu fomu ili iweze kukusanya taarifa sahihi na thabiti.
+
+## Rubric
+
+Bora Zaidi | Inaridhisha | Inahitaji Kuboresha
+--- | --- | ---
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/2-Working-With-Data/README.md b/translations/sw/2-Working-With-Data/README.md
new file mode 100644
index 00000000..af21f1b1
--- /dev/null
+++ b/translations/sw/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-26T14:27:17+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "sw"
+}
+-->
+# Kufanya Kazi na Data
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sw.jpg)
+> Picha na <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> kwenye <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+Katika masomo haya, utajifunza baadhi ya njia ambazo data inaweza kusimamiwa, kubadilishwa, na kutumika katika programu. Utajifunza kuhusu hifadhidata za uhusiano (relational) na zisizo za uhusiano (non-relational) na jinsi data inaweza kuhifadhiwa ndani yake. Pia, utajifunza misingi ya kufanya kazi na Python kusimamia data, na kugundua baadhi ya njia nyingi ambazo unaweza kutumia Python kusimamia na kuchimba data.
+
+### Mada
+
+1. [Hifadhidata za uhusiano](05-relational-databases/README.md)
+2. [Hifadhidata zisizo za uhusiano](06-non-relational/README.md)
+3. [Kufanya kazi na Python](07-python/README.md)
+4. [Kuandaa data](08-data-preparation/README.md)
+
+### Shukrani
+
+Masomo haya yaliandikwa kwa ❤️ na [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) na [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/09-visualization-quantities/README.md b/translations/sw/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..0186db78
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,219 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-26T17:22:09+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Kiasi
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Kuonyesha Kiasi - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo hili, utachunguza jinsi ya kutumia moja ya maktaba nyingi za Python kujifunza jinsi ya kuunda vielelezo vya kuvutia vinavyohusiana na dhana ya kiasi. Kwa kutumia seti ya data iliyosafishwa kuhusu ndege wa Minnesota, unaweza kujifunza mambo mengi ya kuvutia kuhusu wanyama wa porini wa eneo hilo.  
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Kuchunguza upana wa mabawa kwa kutumia Matplotlib
+
+Maktaba bora ya kuunda michoro na chati rahisi na za kisasa za aina mbalimbali ni [Matplotlib](https://matplotlib.org/stable/index.html). Kwa ujumla, mchakato wa kuchora data kwa kutumia maktaba hizi unahusisha kutambua sehemu za dataframe yako unayotaka kulenga, kufanya mabadiliko yoyote muhimu kwenye data hiyo, kupeana thamani za mhimili wa x na y, kuamua aina ya mchoro wa kuonyesha, na kisha kuonyesha mchoro huo. Matplotlib inatoa aina nyingi za vielelezo, lakini kwa somo hili, hebu tuzingatie zile zinazofaa zaidi kwa kuonyesha kiasi: chati za mstari, scatterplots, na bar plots.
+
+> ✅ Tumia chati bora inayofaa muundo wa data yako na hadithi unayotaka kusimulia.  
+> - Kuchambua mwenendo kwa muda: mstari  
+> - Kulinganisha thamani: bar, column, pie, scatterplot  
+> - Kuonyesha jinsi sehemu zinavyohusiana na jumla: pie  
+> - Kuonyesha usambazaji wa data: scatterplot, bar  
+> - Kuonyesha mwenendo: mstari, column  
+> - Kuonyesha uhusiano kati ya thamani: mstari, scatterplot, bubble  
+
+Ikiwa una seti ya data na unahitaji kugundua kiasi cha kipengele fulani kilichopo, moja ya kazi za kwanza utakuwa nayo ni kuchunguza thamani zake.  
+
+✅ Kuna 'cheat sheets' nzuri sana zinazopatikana kwa Matplotlib [hapa](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Unda mchoro wa mstari kuhusu thamani za upana wa mabawa ya ndege
+
+Fungua faili `notebook.ipynb` kwenye mzizi wa folda ya somo hili na ongeza seli.
+
+> Kumbuka: data imehifadhiwa kwenye mzizi wa repo hii katika folda ya `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Data hii ni mchanganyiko wa maandishi na namba:
+
+|      | Jina                          | Jina la Kisayansi      | Jamii                 | Oda          | Familia  | Jinsia      | Hali ya Uhifadhi   | UrefuMdogo | UrefuMkuu | UzitoMdogo  | UzitoMkuu  | UpanaMdogo  | UpanaMkuu  |
+| ---: | :---------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Bata mwenye tumbo jeusi       | Dendrocygna autumnalis | Bata/Maji/Ndege wa Maji | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Bata mwenye tumbo kahawia     | Dendrocygna bicolor    | Bata/Maji/Ndege wa Maji | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Bata wa theluji               | Anser caerulescens     | Bata/Maji/Ndege wa Maji | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Bata wa Ross                  | Anser rossii           | Bata/Maji/Ndege wa Maji | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Bata mkubwa mwenye paji jeupe | Anser albifrons        | Bata/Maji/Ndege wa Maji | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Hebu tuanze kwa kuchora baadhi ya data ya namba kwa kutumia mchoro wa mstari wa msingi. Tuseme unataka kuona upana wa mabawa wa juu zaidi kwa ndege hawa wa kuvutia.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Max Wingspan](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sw.png)
+
+Unaona nini mara moja? Inaonekana kuna angalau kipengele kimoja cha kipekee - huo ni upana mkubwa wa mabawa! Upana wa mabawa wa sentimita 2300 ni sawa na mita 23 - kuna Pterodactyls wanaozunguka Minnesota? Hebu tuchunguze.
+
+Ingawa unaweza kufanya upangaji wa haraka kwenye Excel ili kupata vipengele vya kipekee, ambavyo pengine ni makosa ya uchapaji, endelea na mchakato wa vielelezo kwa kufanya kazi kutoka ndani ya mchoro.
+
+Ongeza lebo kwenye mhimili wa x kuonyesha aina za ndege zinazohusika:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![wingspan with labels](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sw.png)
+
+Hata ukiweka mzunguko wa lebo kuwa digrii 45, bado kuna nyingi sana kusoma. Hebu tujaribu mkakati tofauti: lebo tu vipengele vya kipekee na weka lebo ndani ya mchoro. Unaweza kutumia mchoro wa scatter ili kutoa nafasi zaidi kwa kuweka lebo:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+Nini kinaendelea hapa? Ulitumia `tick_params` kuficha lebo za chini na kisha ukaunda kitanzi juu ya seti yako ya data ya ndege. Ukichora mchoro kwa kutumia nukta ndogo za bluu kwa `bo`, ulitafuta ndege yeyote mwenye upana wa mabawa wa juu zaidi ya 500 na ukaonyesha lebo yao karibu na nukta ikiwa ni hivyo. Uliondoa lebo kidogo kwenye mhimili wa y (`y * (1 - 0.05)`) na ukatumia jina la ndege kama lebo.
+
+Uligundua nini?
+
+![outliers](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sw.png)  
+## Chuja data yako
+
+Bald Eagle na Prairie Falcon, ingawa pengine ni ndege wakubwa sana, wanaonekana kuwa na makosa ya uchapaji, na `0` ya ziada imeongezwa kwenye upana wao wa mabawa wa juu. Haiwezekani kwamba utakutana na Bald Eagle mwenye upana wa mabawa wa mita 25, lakini ikiwa ni hivyo, tafadhali tujulishe! Hebu tuunde dataframe mpya bila vipengele hivyo viwili vya kipekee:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Kwa kuchuja vipengele vya kipekee, data yako sasa ni thabiti zaidi na rahisi kueleweka.
+
+![scatterplot of wingspans](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sw.png)  
+
+Sasa kwa kuwa tuna seti ya data safi angalau kwa suala la upana wa mabawa, hebu tujifunze zaidi kuhusu ndege hawa.
+
+Ingawa michoro ya mstari na scatter inaweza kuonyesha taarifa kuhusu thamani za data na usambazaji wake, tunataka kufikiria kuhusu thamani zilizopo katika seti hii ya data. Unaweza kuunda vielelezo kujibu maswali yafuatayo kuhusu kiasi:
+
+> Kuna makundi mangapi ya ndege, na idadi yao ni ngapi?  
+> Ni ndege wangapi waliotoweka, walio hatarini, nadra, au wa kawaida?  
+> Kuna idadi gani ya jinsia na oda mbalimbali kulingana na istilahi ya Linnaeus?  
+## Chunguza chati za bar
+
+Chati za bar ni za vitendo unapohitaji kuonyesha makundi ya data. Hebu tuchunguze makundi ya ndege yaliyopo katika seti hii ya data ili kuona ni yapi yanayojitokeza zaidi kwa idadi.
+
+Katika faili ya notebook, unda chati ya bar ya msingi.
+
+✅ Kumbuka, unaweza kuchuja ndege wawili wa kipekee tuliowatambua katika sehemu iliyopita, kuhariri kosa la uchapaji katika upana wao wa mabawa, au kuwaacha kwa mazoezi haya ambayo hayategemei thamani za upana wa mabawa.
+
+Ikiwa unataka kuunda chati ya bar, unaweza kuchagua data unayotaka kuzingatia. Chati za bar zinaweza kuundwa kutoka kwa data ghafi:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![full data as a bar chart](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sw.png)
+
+Hata hivyo, chati hii ya bar haiwezi kusomeka kwa sababu kuna data nyingi zisizopangwa. Unahitaji kuchagua tu data unayotaka kuchora, kwa hivyo hebu tuangalie urefu wa ndege kulingana na kundi lao.
+
+Chuja data yako ili kujumuisha tu kundi la ndege.
+
+✅ Kumbuka kwamba unatumia Pandas kusimamia data, na kisha unaruhusu Matplotlib kufanya uchoraji.
+
+Kwa kuwa kuna makundi mengi, unaweza kuonyesha chati hii wima na kurekebisha urefu wake ili kuzingatia data yote:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![category and length](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sw.png)
+
+Chati hii ya bar inaonyesha mtazamo mzuri wa idadi ya ndege katika kila kundi. Kwa haraka, unaona kwamba idadi kubwa ya ndege katika eneo hili ni wa kundi la Bata/Maji/Ndege wa Maji. Minnesota ni 'nchi ya maziwa 10,000' kwa hivyo hili halishangazi!
+
+✅ Jaribu kuhesabu mengine kwenye seti hii ya data. Kuna chochote kinachokushangaza?
+
+## Kulinganisha data
+
+Unaweza kujaribu kulinganisha tofauti za data zilizopangwa kwa kuunda axes mpya. Jaribu kulinganisha MaxLength ya ndege, kulingana na kundi lake:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![comparing data](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sw.png)
+
+Hakuna cha kushangaza hapa: hummingbirds wana MaxLength ndogo zaidi ikilinganishwa na Pelicans au Geese. Ni vizuri data inapofanya mantiki!
+
+Unaweza kuunda vielelezo vya kuvutia zaidi vya chati za bar kwa kuweka data juu ya nyingine. Hebu tuweke Minimum na Maximum Length kwenye kundi fulani la ndege:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+Katika mchoro huu, unaweza kuona safu kwa kila kundi la ndege ya Minimum Length na Maximum Length. Unaweza kusema kwa usalama kwamba, kulingana na data hii, ndege mkubwa zaidi ana safu kubwa zaidi ya urefu. Inavutia!
+
+![superimposed values](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sw.png)
+
+## 🚀 Changamoto
+
+Seti hii ya data ya ndege inatoa utajiri wa taarifa kuhusu aina tofauti za ndege ndani ya mfumo fulani wa ikolojia. Tafuta mtandaoni na uone ikiwa unaweza kupata seti nyingine za data zinazohusiana na ndege. Fanya mazoezi ya kujenga chati na grafu kuhusu ndege hawa ili kugundua ukweli ambao hukujua.
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Mapitio na Kujisomea
+
+Somo hili la kwanza limekupa taarifa fulani kuhusu jinsi ya kutumia Matplotlib kuonyesha kiasi. Fanya utafiti kuhusu njia nyingine za kufanya kazi na seti za data kwa ajili ya vielelezo. [Plotly](https://github.com/plotly/plotly.py) ni moja ambayo hatutashughulikia katika masomo haya, kwa hivyo angalia kile inachoweza kutoa.
+
+## Kazi
+
+[Lines, Scatters, and Bars](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/sw/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..70d56344
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-26T17:26:41+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Mistari, Mchoro wa Nukta na Mchoro wa Mstari wa Nguzo
+
+## Maelekezo
+
+Katika somo hili, ulifanya kazi na chati za mistari, mchoro wa nukta, na chati za mstari wa nguzo ili kuonyesha mambo ya kuvutia kuhusu seti hii ya data. Katika kazi hii, chunguza kwa kina seti ya data ili kugundua ukweli kuhusu aina fulani ya ndege. Kwa mfano, tengeneza daftari linaloonyesha kwa picha data yote ya kuvutia unayoweza kugundua kuhusu Snow Geese. Tumia michoro mitatu iliyotajwa hapo juu kusimulia hadithi katika daftari lako.
+
+## Rubric
+
+Bora Kabisa | Inaridhisha | Inahitaji Kuboreshwa
+--- | --- | -- |
+Daftari linaonyeshwa na maelezo mazuri, usimulizi thabiti, na michoro ya kuvutia | Daftari linakosa moja ya vipengele hivi | Daftari linakosa vipengele viwili vya hivi
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/10-visualization-distributions/README.md b/translations/sw/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..2a25caa9
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,218 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-26T16:48:59+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Usambazaji wa Takwimu
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Kuonyesha Usambazaji wa Takwimu - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo lililopita, ulijifunza mambo ya kuvutia kuhusu seti ya data ya ndege wa Minnesota. Ulipata data yenye makosa kwa kuonyesha vipimo vya nje na ukaangalia tofauti kati ya makundi ya ndege kulingana na urefu wao wa juu zaidi.
+
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Chunguza seti ya data ya ndege
+
+Njia nyingine ya kuchunguza data ni kwa kuangalia usambazaji wake, yaani jinsi data imepangwa kwenye mhimili. Kwa mfano, labda ungependa kujifunza kuhusu usambazaji wa jumla wa urefu wa mabawa au uzito wa juu wa mwili wa ndege wa Minnesota katika seti hii ya data.
+
+Hebu tugundue baadhi ya ukweli kuhusu usambazaji wa data katika seti hii ya data. Katika faili la _notebook.ipynb_ lililoko kwenye mzizi wa folda ya somo hili, leta Pandas, Matplotlib, na data yako:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Jina                          | Jina la Kisayansi      | Jamii                | Oda          | Familia  | Jinsia      | Hali ya Uhifadhi   | UrefuMdogo | UrefuMkuu | UzitoMdogo  | UzitoMkuu   | MabawaMdogo | MabawaMkuu  |
+| ---: | :---------------------------- | :--------------------- | :------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Bata wa Black-bellied         | Dendrocygna autumnalis | Mabata/Maji          | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Bata wa Fulvous               | Dendrocygna bicolor    | Mabata/Maji          | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Goose wa Snow                 | Anser caerulescens     | Mabata/Maji          | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Goose wa Ross                 | Anser rossii           | Mabata/Maji          | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Goose wa Greater white-fronted| Anser albifrons        | Mabata/Maji          | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Kwa ujumla, unaweza kuangalia haraka jinsi data inavyosambazwa kwa kutumia mchoro wa alama kama tulivyofanya katika somo lililopita:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![urefu wa juu kwa kila oda](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sw.png)
+
+Hii inatoa muhtasari wa usambazaji wa jumla wa urefu wa mwili kwa kila Oda ya ndege, lakini si njia bora ya kuonyesha usambazaji wa kweli. Kazi hii kwa kawaida hufanywa kwa kuunda Histogramu.
+
+## Kufanya kazi na histogramu
+
+Matplotlib inatoa njia nzuri sana za kuonyesha usambazaji wa data kwa kutumia Histogramu. Aina hii ya mchoro ni kama mchoro wa nguzo ambapo usambazaji unaweza kuonekana kupitia kupanda na kushuka kwa nguzo. Ili kujenga histogramu, unahitaji data ya namba. Ili kujenga Histogramu, unaweza kuchora mchoro kwa kufafanua aina kama 'hist' kwa Histogramu. Mchoro huu unaonyesha usambazaji wa MaxBodyMass kwa safu nzima ya data ya namba katika seti hii ya data. Kwa kugawanya safu ya data iliyotolewa katika vikundi vidogo, inaweza kuonyesha usambazaji wa thamani za data:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![usambazaji katika seti nzima ya data](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sw.png)
+
+Kama unavyoona, ndege wengi zaidi ya 400 katika seti hii ya data wanaangukia katika safu ya chini ya 2000 kwa Max Body Mass yao. Pata ufahamu zaidi wa data kwa kubadilisha kipengele cha `bins` kuwa namba kubwa zaidi, kama 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![usambazaji katika seti nzima ya data na bins kubwa zaidi](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sw.png)
+
+Mchoro huu unaonyesha usambazaji kwa undani zaidi. Mchoro usioegemea sana upande wa kushoto unaweza kuundwa kwa kuhakikisha kuwa unachagua tu data ndani ya safu fulani:
+
+Chuja data yako ili kupata ndege wale tu ambao uzito wa mwili wao ni chini ya 60, na onyesha `bins` 40:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![histogramu iliyochujwa](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sw.png)
+
+✅ Jaribu vichujio vingine na vipengele vya data. Ili kuona usambazaji kamili wa data, ondoa kichujio cha `['MaxBodyMass']` ili kuonyesha usambazaji ulio na lebo.
+
+Histogramu inatoa rangi nzuri na maboresho ya kuweka lebo pia:
+
+Unda histogramu ya 2D ili kulinganisha uhusiano kati ya usambazaji mbili. Hebu linganisha `MaxBodyMass` dhidi ya `MaxLength`. Matplotlib inatoa njia iliyojengwa ndani ya kuonyesha mwelekeo kwa kutumia rangi angavu zaidi:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Inaonekana kuna uhusiano wa kawaida kati ya vipengele hivi viwili kando ya mhimili unaotarajiwa, na sehemu moja yenye nguvu ya mwelekeo:
+
+![mchoro wa 2D](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sw.png)
+
+Histogramu hufanya kazi vizuri kwa chaguo-msingi kwa data ya namba. Je, unahitaji kuona usambazaji kulingana na data ya maandishi?
+
+## Chunguza seti ya data kwa usambazaji kwa kutumia data ya maandishi 
+
+Seti hii ya data pia inajumuisha taarifa nzuri kuhusu jamii ya ndege na jinsia, spishi, na familia yake pamoja na hali yake ya uhifadhi. Hebu tuchunguze taarifa hii ya uhifadhi. Je, usambazaji wa ndege kulingana na hali yao ya uhifadhi ukoje?
+
+> ✅ Katika seti ya data, vifupisho kadhaa vinatumika kuelezea hali ya uhifadhi. Vifupisho hivi vinatoka kwa [IUCN Red List Categories](https://www.iucnredlist.org/), shirika linaloorodhesha hali ya spishi.
+> 
+> - CR: Hatari Sana
+> - EN: Hatari
+> - EX: Imetoweka
+> - LC: Wasiwasi Mdogo
+> - NT: Karibu na Hatari
+> - VU: Hatarini
+
+Hizi ni thamani za maandishi kwa hivyo utahitaji kufanya mabadiliko ili kuunda histogramu. Ukichukua dataframe ya filteredBirds, onyesha hali yake ya uhifadhi pamoja na MabawaMdogo. Unaona nini?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![mabawa na hali ya uhifadhi](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sw.png)
+
+Haionekani kuwa na uhusiano mzuri kati ya mabawa madogo na hali ya uhifadhi. Jaribu vipengele vingine vya seti ya data kwa kutumia njia hii. Unaweza pia kujaribu vichujio tofauti. Je, unapata uhusiano wowote?
+
+## Mchoro wa Msongamano
+
+Huenda umeona kuwa histogramu tulizozitazama hadi sasa ni za 'vipande' na hazipiti kwa urahisi katika mduara. Ili kuonyesha mchoro wa msongamano ulio laini zaidi, unaweza kujaribu mchoro wa msongamano.
+
+Ili kufanya kazi na michoro ya msongamano, jifunze kuhusu maktaba mpya ya kuchora, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Ukileta Seaborn, jaribu mchoro wa msingi wa msongamano:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Mchoro wa Msongamano](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sw.png)
+
+Unaweza kuona jinsi mchoro unavyofanana na ule wa awali wa data ya MabawaMdogo; ni laini zaidi tu. Kulingana na nyaraka za Seaborn, "Ikilinganishwa na histogramu, KDE inaweza kutoa mchoro ambao si wa msongamano na unaoeleweka zaidi, hasa unapochora usambazaji mwingi. Lakini ina uwezo wa kuleta upotoshaji ikiwa usambazaji wa msingi umefungwa au si laini. Kama histogramu, ubora wa uwakilishi pia hutegemea uteuzi wa vigezo vya kusawazisha vizuri." [chanzo](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Kwa maneno mengine, vipimo vya nje kama kawaida vitafanya michoro yako iwe na tabia mbaya.
+
+Ikiwa ungependa kurejelea mstari wa MaxBodyMass ulio na vipande katika mchoro wa pili ulioujenga, ungeweza kuusawazisha vizuri kwa kuunda upya kwa kutumia njia hii:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![mstari laini wa bodymass](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sw.png)
+
+Ikiwa ungependa mstari ulio laini, lakini si laini sana, hariri kipengele cha `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![mstari usio laini sana wa bodymass](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sw.png)
+
+✅ Soma kuhusu vigezo vinavyopatikana kwa aina hii ya mchoro na ujaribu!
+
+Aina hii ya mchoro inatoa maelezo mazuri ya kuelezea. Kwa mistari michache ya msimbo, kwa mfano, unaweza kuonyesha msongamano wa Max Body Mass kwa kila Oda ya ndege:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![bodymass kwa kila oda](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sw.png)
+
+Unaweza pia kuonyesha msongamano wa vipengele kadhaa katika mchoro mmoja. Linganisha MaxLength na MinLength ya ndege kulingana na hali yao ya uhifadhi:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![msongamano mwingi, umewekwa juu](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sw.png)
+
+Labda inafaa kufanya utafiti ikiwa mkusanyiko wa ndege 'Hatarini' kulingana na urefu wao una maana au la.
+
+## 🚀 Changamoto
+
+Histogramu ni aina ya mchoro wa hali ya juu zaidi kuliko michoro ya alama, michoro ya nguzo, au michoro ya mistari ya msingi. Tafuta mifano mizuri ya matumizi ya histogramu kwenye mtandao. Zinatumika vipi, zinaonyesha nini, na zinatumiwa katika nyanja au maeneo gani ya uchunguzi?
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Mapitio na Kujisomea
+
+Katika somo hili, ulitumia Matplotlib na kuanza kufanya kazi na Seaborn kuonyesha michoro ya hali ya juu zaidi. Fanya utafiti kuhusu `kdeplot` katika Seaborn, "mchoro wa msongamano wa uwezekano unaoendelea katika mwelekeo mmoja au zaidi". Soma [nyaraka](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) ili kuelewa jinsi inavyofanya kazi.
+
+## Kazi
+
+[Tumia ujuzi wako](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/sw/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..8d002047
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-26T16:52:32+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Tumia Ujuzi Wako
+
+## Maelekezo
+
+Hadi sasa, umekuwa ukifanya kazi na seti ya data ya ndege wa Minnesota ili kugundua taarifa kuhusu idadi ya ndege na msongamano wa idadi ya watu. Fanya mazoezi ya kutumia mbinu hizi kwa kujaribu seti ya data tofauti, labda iliyopatikana kutoka [Kaggle](https://www.kaggle.com/). Tengeneza daftari la maelezo ili kusimulia hadithi kuhusu seti hii ya data, na hakikisha unatumia histograms unapojadili.
+
+## Rubric
+
+Bora Zaidi | Inayokubalika | Inahitaji Kuboresha
+--- | --- | -- |
+Daftari la maelezo linawasilishwa likiwa na maelezo kuhusu seti hii ya data, ikijumuisha chanzo chake, na linatumia angalau histograms 5 kugundua ukweli kuhusu data. | Daftari la maelezo linawasilishwa likiwa na maelezo yasiyokamilika au lina hitilafu. | Daftari la maelezo linawasilishwa bila maelezo na lina hitilafu.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/11-visualization-proportions/README.md b/translations/sw/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..c57f4a21
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,205 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-26T17:27:25+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Uwiano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Kuonyesha Uwiano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo hili, utatumia seti ya data inayohusiana na maumbile kuonyesha uwiano, kama vile aina ngapi tofauti za uyoga zinapatikana katika seti ya data kuhusu uyoga. Hebu tuchunguze uyoga huu wa kuvutia kwa kutumia seti ya data kutoka Audubon inayoorodhesha maelezo kuhusu spishi 23 za uyoga wenye mapezi katika familia za Agaricus na Lepiota. Utajaribu mbinu za kuvutia za uwasilishaji kama:
+
+- Chati za pai 🥧  
+- Chati za donati 🍩  
+- Chati za waffle 🧇  
+
+> 💡 Mradi wa kuvutia sana unaoitwa [Charticulator](https://charticulator.com) kutoka Microsoft Research unatoa kiolesura cha bure cha kuburuta na kudondosha kwa ajili ya uwasilishaji wa data. Katika mojawapo ya mafunzo yao, wanatumia pia seti hii ya data ya uyoga! Kwa hivyo unaweza kuchunguza data na kujifunza maktaba hiyo kwa wakati mmoja: [Mafunzo ya Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Fahamu uyoga wako 🍄
+
+Uyoga ni wa kuvutia sana. Hebu tuingize seti ya data ili kuwasoma:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```  
+Jedwali linachapishwa likiwa na data nzuri kwa ajili ya uchambuzi:
+
+| darasa    | umbo-la-kofia | uso-wa-kofia | rangi-ya-kofia | michubuko | harufu  | kiambatisho-cha-mapezi | nafasi-ya-mapezi | ukubwa-wa-mapezi | rangi-ya-mapezi | umbo-la-shina | mzizi-wa-shina | uso-wa-shina-juu-ya-pete | uso-wa-shina-chini-ya-pete | rangi-ya-shina-juu-ya-pete | rangi-ya-shina-chini-ya-pete | aina-ya-ukingo | rangi-ya-ukingo | idadi-ya-pete | aina-ya-pete | rangi-ya-spore | idadi | makazi |
+| --------- | ------------- | ------------ | -------------- | --------- | ------- | ---------------------- | ---------------- | ---------------- | --------------- | ------------- | ------------- | ------------------------ | ------------------------ | -------------------------- | -------------------------- | ------------- | -------------- | ------------- | ----------- | ------------- | ----- | ------ |
+| Sumu      | Mbonyeo       | Laini        | Kahawia        | Michubuko | Chungu  | Huru                  | Karibu           | Nyembamba        | Nyeusi          | Inapanuka     | Sawa          | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu         | Nyeupe         | Moja          | Inaning'inia | Nyeusi         | Zimezagaa | Mjini  |
+| Chakula   | Mbonyeo       | Laini        | Njano          | Michubuko | Mlozi   | Huru                  | Karibu           | Pana             | Nyeusi          | Inapanuka     | Fimbo         | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu         | Nyeupe         | Moja          | Inaning'inia | Kahawia        | Nyingi   | Nyasi  |
+| Chakula   | Kengele       | Laini        | Nyeupe         | Michubuko | Anisi   | Huru                  | Karibu           | Pana             | Kahawia         | Inapanuka     | Fimbo         | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu         | Nyeupe         | Moja          | Inaning'inia | Kahawia        | Nyingi   | Mabustani |
+| Sumu      | Mbonyeo       | Nyeruzi      | Nyeupe         | Michubuko | Chungu  | Huru                  | Karibu           | Nyembamba        | Kahawia         | Inapanuka     | Sawa          | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu         | Nyeupe         | Moja          | Inaning'inia | Nyeusi         | Zimezagaa | Mjini  |
+
+Mara moja, unagundua kuwa data yote ni ya maandishi. Utahitaji kubadilisha data hii ili kuweza kuitumia kwenye chati. Kwa kweli, data nyingi inawakilishwa kama kitu:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```  
+
+Matokeo ni:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```  
+Chukua data hii na ubadilishe safu ya 'darasa' kuwa kategoria:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```  
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```  
+
+Sasa, ukichapisha data ya uyoga, utaona kuwa imepangwa katika makundi kulingana na darasa la sumu/chakula:
+
+|           | umbo-la-kofia | uso-wa-kofia | rangi-ya-kofia | michubuko | harufu | kiambatisho-cha-mapezi | nafasi-ya-mapezi | ukubwa-wa-mapezi | rangi-ya-mapezi | umbo-la-shina | ... | uso-wa-shina-chini-ya-pete | rangi-ya-shina-juu-ya-pete | rangi-ya-shina-chini-ya-pete | aina-ya-ukingo | rangi-ya-ukingo | idadi-ya-pete | aina-ya-pete | rangi-ya-spore | idadi | makazi |
+| --------- | ------------- | ------------ | -------------- | --------- | ------ | ---------------------- | ---------------- | ---------------- | --------------- | ------------- | --- | ------------------------ | -------------------------- | -------------------------- | ------------- | -------------- | ------------- | ----------- | ------------- | ----- | ------ |
+| darasa    |               |              |                |           |        |                        |                  |                  |                 |               |     |                          |                          |                          |               |                |               |             |               |       |        |
+| Chakula   | 4208          | 4208         | 4208           | 4208      | 4208   | 4208                   | 4208             | 4208             | 4208            | 4208          | ... | 4208                     | 4208                     | 4208                     | 4208          | 4208           | 4208          | 4208        | 4208          | 4208  | 4208   |
+| Sumu      | 3916          | 3916         | 3916           | 3916      | 3916   | 3916                   | 3916             | 3916             | 3916            | 3916          | ... | 3916                     | 3916                     | 3916                     | 3916          | 3916           | 3916          | 3916        | 3916          | 3916  | 3916   |
+
+Ukifuata mpangilio uliowasilishwa kwenye jedwali hili kuunda lebo za kategoria za darasa lako, unaweza kuunda chati ya pai:
+
+## Pai!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```  
+Voila, chati ya pai inayoonyesha uwiano wa data hii kulingana na madarasa haya mawili ya uyoga. Ni muhimu sana kupata mpangilio wa lebo sahihi, hasa hapa, kwa hivyo hakikisha unathibitisha mpangilio ambao safu ya lebo imejengwa!
+
+![chati ya pai](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sw.png)
+
+## Donati!
+
+Chati ya donati ni chati ya pai yenye shimo katikati, na ni ya kuvutia zaidi kwa macho. Hebu tuangalie data yetu kwa njia hii.
+
+Angalia makazi mbalimbali ambapo uyoga hukua:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```  
+Hapa, unagawanya data yako kulingana na makazi. Kuna makazi 7 yaliyotajwa, kwa hivyo tumia hayo kama lebo za chati yako ya donati:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```  
+
+![chati ya donati](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sw.png)
+
+Msimbo huu unachora chati na mduara wa katikati, kisha unaongeza mduara huo katikati ya chati. Badilisha upana wa mduara wa katikati kwa kubadilisha `0.40` kuwa thamani nyingine.
+
+Chati za donati zinaweza kubadilishwa kwa njia kadhaa ili kuboresha lebo. Lebo hasa zinaweza kuangaziwa ili kusomeka vizuri. Jifunze zaidi katika [nyaraka](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Sasa kwa kuwa unajua jinsi ya kugawanya data yako na kisha kuionyesha kama pai au donati, unaweza kuchunguza aina nyingine za chati. Jaribu chati ya waffle, ambayo ni njia tofauti ya kuchunguza wingi.
+
+## Waffle!
+
+Chati ya aina ya 'waffle' ni njia tofauti ya kuonyesha wingi kama safu ya mraba ya 2D. Jaribu kuonyesha wingi wa rangi za kofia za uyoga katika seti hii ya data. Ili kufanya hivyo, unahitaji kusakinisha maktaba ya msaidizi inayoitwa [PyWaffle](https://pypi.org/project/pywaffle/) na kutumia Matplotlib:
+
+```python
+pip install pywaffle
+```  
+
+Chagua sehemu ya data yako ili kugawanya:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```  
+
+Unda chati ya waffle kwa kuunda lebo na kisha kugawanya data yako:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```  
+
+Kwa kutumia chati ya waffle, unaweza kuona wazi uwiano wa rangi za kofia za uyoga katika seti hii ya data. Cha kufurahisha, kuna uyoga wengi wenye kofia za kijani!
+
+![chati ya waffle](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sw.png)
+
+✅ PyWaffle inasaidia ikoni ndani ya chati zinazotumia ikoni yoyote inayopatikana katika [Font Awesome](https://fontawesome.com/). Fanya majaribio kuunda chati ya waffle ya kuvutia zaidi kwa kutumia ikoni badala ya miraba.
+
+Katika somo hili, umejifunza njia tatu za kuonyesha uwiano. Kwanza, unahitaji kugawanya data yako katika kategoria na kisha kuamua njia bora ya kuonyesha data - pai, donati, au waffle. Zote ni za kuvutia na zinamfurahisha mtumiaji kwa muhtasari wa papo hapo wa seti ya data.
+
+## 🚀 Changamoto
+
+Jaribu kuunda upya chati hizi za kuvutia katika [Charticulator](https://charticulator.com).
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Mapitio na Kujisomea
+
+Wakati mwingine si rahisi kujua ni lini utumie pai, donati, au chati ya waffle. Hapa kuna makala za kusoma kuhusu mada hii:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+Fanya utafiti zaidi ili kupata taarifa zaidi kuhusu uamuzi huu mgumu.
+
+## Kazi
+
+[Jaribu katika Excel](assignment.md)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/sw/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..556f70c4
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-26T17:30:39+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Jaribu katika Excel
+
+## Maelekezo
+
+Je, unajua unaweza kuunda chati za donut, pie, na waffle katika Excel? Kwa kutumia seti ya data unayoipenda, unda chati hizi tatu moja kwa moja kwenye spreadsheet ya Excel.
+
+## Rubric
+
+| Bora Zaidi                                             | Inayotosheleza                                  | Inayohitaji Uboreshaji                              |
+| ------------------------------------------------------- | ------------------------------------------------- | ------------------------------------------------------ |
+| Spreadsheet ya Excel imewasilishwa ikiwa na chati zote tatu | Spreadsheet ya Excel imewasilishwa ikiwa na chati mbili | Spreadsheet ya Excel imewasilishwa ikiwa na chati moja tu |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutokuelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/12-visualization-relationships/README.md b/translations/sw/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..0d6c2ceb
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-26T16:53:18+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Mahusiano: Yote Kuhusu Asali 🍯
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Kuonyesha Mahusiano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Tukiendelea na mtazamo wa asili katika utafiti wetu, hebu tujifunze njia za kuvutia za kuonyesha mahusiano kati ya aina mbalimbali za asali, kulingana na seti ya data iliyotolewa na [Idara ya Kilimo ya Marekani](https://www.nass.usda.gov/About_NASS/index.php).
+
+Seti hii ya data yenye takriban vipengele 600 inaonyesha uzalishaji wa asali katika majimbo mengi ya Marekani. Kwa mfano, unaweza kuangalia idadi ya makoloni, mavuno kwa kila koloni, uzalishaji wa jumla, akiba, bei kwa pauni, na thamani ya asali iliyozalishwa katika jimbo fulani kuanzia mwaka 1998-2012, na safu moja kwa kila mwaka kwa kila jimbo.
+
+Itakuwa ya kuvutia kuonyesha mahusiano kati ya uzalishaji wa jimbo fulani kwa mwaka na, kwa mfano, bei ya asali katika jimbo hilo. Vinginevyo, unaweza kuonyesha mahusiano kati ya mavuno ya asali kwa kila koloni katika majimbo mbalimbali. Kipindi hiki cha miaka kinajumuisha tukio la kusikitisha la 'CCD' au 'Colony Collapse Disorder' lililoonekana kwa mara ya kwanza mwaka 2006 (http://npic.orst.edu/envir/ccd.html), kwa hivyo ni seti ya data yenye umuhimu wa kusoma. 🐝
+
+## [Jaribio la awali la somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Katika somo hili, unaweza kutumia Seaborn, ambayo umewahi kuitumia hapo awali, kama maktaba nzuri ya kuonyesha mahusiano kati ya vigezo. Jambo la kuvutia hasa ni matumizi ya kipengele cha Seaborn `relplot` ambacho huruhusu grafu za alama na grafu za mstari kuonyesha haraka '[mahusiano ya takwimu](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', ambayo humwezesha mtaalamu wa data kuelewa vyema jinsi vigezo vinavyohusiana.
+
+## Grafu za Alama
+
+Tumia grafu ya alama kuonyesha jinsi bei ya asali imebadilika mwaka hadi mwaka, kwa kila jimbo. Seaborn, kwa kutumia `relplot`, huweka data ya majimbo na kuonyesha alama za data kwa data ya kategoria na ya nambari.
+
+Hebu tuanze kwa kuingiza data na Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Unagundua kuwa data ya asali ina safu kadhaa za kuvutia, ikiwa ni pamoja na mwaka na bei kwa pauni. Hebu tuchunguze data hii, iliyopangwa kwa majimbo ya Marekani:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+Unda grafu ya msingi ya alama kuonyesha mahusiano kati ya bei kwa pauni ya asali na jimbo la asili. Fanya mhimili wa `y` uwe mrefu vya kutosha kuonyesha majimbo yote:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sw.png)
+
+Sasa, onyesha data hiyo hiyo kwa mpangilio wa rangi ya asali ili kuonyesha jinsi bei inavyobadilika mwaka hadi mwaka. Unaweza kufanya hivi kwa kuongeza kipengele cha 'hue' kuonyesha mabadiliko, mwaka hadi mwaka:
+
+> ✅ Jifunze zaidi kuhusu [paleti za rangi unazoweza kutumia katika Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - jaribu mpangilio mzuri wa rangi za upinde wa mvua!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sw.png)
+
+Kwa mabadiliko haya ya mpangilio wa rangi, unaweza kuona wazi kuwa kuna mwelekeo wa ongezeko la bei kwa pauni ya asali mwaka hadi mwaka. Kwa kweli, ukichukua sampuli ya data ili kuthibitisha (chagua jimbo fulani, Arizona kwa mfano) unaweza kuona mwelekeo wa ongezeko la bei mwaka hadi mwaka, isipokuwa kwa baadhi ya miaka:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Njia nyingine ya kuonyesha mwelekeo huu ni kutumia ukubwa badala ya rangi. Kwa watumiaji wenye matatizo ya kuona rangi, hii inaweza kuwa chaguo bora. Hariri grafu yako ili kuonyesha ongezeko la bei kwa ongezeko la mduara wa alama:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Unaweza kuona ukubwa wa alama ukiongezeka polepole.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sw.png)
+
+Je, hili ni suala rahisi la mahitaji na usambazaji? Kutokana na mambo kama mabadiliko ya hali ya hewa na kuporomoka kwa makoloni, je, kuna asali kidogo inayopatikana kwa ununuzi mwaka hadi mwaka, na hivyo bei kuongezeka?
+
+Ili kugundua uhusiano kati ya baadhi ya vigezo katika seti hii ya data, hebu tuchunguze grafu za mstari.
+
+## Grafu za Mstari
+
+Swali: Je, kuna ongezeko dhahiri la bei ya asali kwa pauni mwaka hadi mwaka? Unaweza kugundua hili kwa urahisi kwa kuunda grafu moja ya mstari:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Jibu: Ndiyo, isipokuwa kwa baadhi ya miaka kama 2003:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sw.png)
+
+✅ Kwa sababu Seaborn inakusanya data kuzunguka mstari mmoja, inaonyesha "vipimo vingi kwa kila thamani ya x kwa kuonyesha wastani na kiwango cha kujiamini cha 95% kuzunguka wastani". [Chanzo](https://seaborn.pydata.org/tutorial/relational.html). Tabia hii inayochukua muda inaweza kuzimwa kwa kuongeza `ci=None`.
+
+Swali: Vema, mwaka 2003 tunaweza pia kuona ongezeko la usambazaji wa asali? Je, ukitazama uzalishaji wa jumla mwaka hadi mwaka?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sw.png)
+
+Jibu: Sio kweli. Ukitazama uzalishaji wa jumla, inaonekana kuwa uliongezeka katika mwaka huo, ingawa kwa ujumla uzalishaji wa asali unaonekana kupungua katika miaka hiyo.
+
+Swali: Katika hali hiyo, ni nini kingeweza kusababisha ongezeko la bei ya asali karibu na mwaka 2003?
+
+Ili kugundua hili, unaweza kuchunguza gridi ya vipengele.
+
+## Gridi za Vipengele
+
+Gridi za vipengele huchukua kipengele kimoja cha seti yako ya data (katika hali yetu, unaweza kuchagua 'mwaka' ili kuepuka kuwa na vipengele vingi vilivyotengenezwa). Seaborn inaweza kisha kutengeneza grafu kwa kila kipengele cha x na y ulichokichagua kwa kulinganisha kwa urahisi. Je, mwaka 2003 unajitokeza katika aina hii ya kulinganisha?
+
+Unda gridi ya vipengele kwa kuendelea kutumia `relplot` kama inavyopendekezwa na [Seaborn's documentation](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid).
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+Katika grafu hii, unaweza kulinganisha mavuno kwa kila koloni na idadi ya makoloni mwaka hadi mwaka, upande kwa upande na mpangilio wa safu 3:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sw.png)
+
+Kwa seti hii ya data, hakuna kitu kinachojitokeza hasa kuhusu idadi ya makoloni na mavuno yao, mwaka hadi mwaka na jimbo hadi jimbo. Je, kuna njia tofauti ya kutafuta uhusiano kati ya vigezo hivi viwili?
+
+## Grafu za Mstari Mbili
+
+Jaribu grafu ya mstari wa mistari mingi kwa kuweka grafu mbili za mstari juu ya kila mmoja, ukitumia 'despine' ya Seaborn kuondoa miiba ya juu na ya kulia, na ukitumia `ax.twinx` [iliyotokana na Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx huruhusu grafu kushiriki mhimili wa x na kuonyesha mihimili miwili ya y. Kwa hivyo, onyesha mavuno kwa kila koloni na idadi ya makoloni, juu ya kila mmoja:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sw.png)
+
+Ingawa hakuna kitu kinachojitokeza kwa macho karibu na mwaka 2003, inaturuhusu kumaliza somo hili kwa maelezo ya furaha kidogo: ingawa kuna kupungua kwa idadi ya makoloni kwa ujumla, idadi ya makoloni inaimarika hata kama mavuno yao kwa kila koloni yanapungua.
+
+Endeleeni nyuki, endeleeni!
+
+🐝❤️
+## 🚀 Changamoto
+
+Katika somo hili, ulijifunza zaidi kuhusu matumizi mengine ya grafu za alama na gridi za mstari, ikiwa ni pamoja na gridi za vipengele. Jipatie changamoto ya kuunda gridi ya vipengele ukitumia seti tofauti ya data, labda moja uliyotumia kabla ya masomo haya. Angalia muda unaochukua kuunda na jinsi unavyohitaji kuwa makini kuhusu idadi ya gridi unazohitaji kuchora ukitumia mbinu hizi.
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Mapitio & Kujisomea
+
+Grafu za mstari zinaweza kuwa rahisi au ngumu sana. Fanya usomaji kidogo katika [Seaborn documentation](https://seaborn.pydata.org/generated/seaborn.lineplot.html) kuhusu njia mbalimbali unazoweza kuzitumia kuzijenga. Jaribu kuboresha grafu za mstari ulizojenga katika somo hili kwa kutumia mbinu nyingine zilizoorodheshwa katika nyaraka.
+## Kazi
+
+[Chunguza mzinga wa nyuki](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/sw/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..89981399
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-26T16:57:22+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Chunguza mzinga wa nyuki
+
+## Maelekezo
+
+Katika somo hili ulianza kuangalia seti ya data kuhusu nyuki na uzalishaji wao wa asali kwa kipindi cha muda ambacho kiliona kupungua kwa idadi ya makoloni ya nyuki kwa ujumla. Chunguza kwa undani seti hii ya data na unda daftari ambalo linaweza kusimulia hadithi ya afya ya idadi ya nyuki, jimbo kwa jimbo na mwaka kwa mwaka. Je, unagundua chochote cha kuvutia kuhusu seti hii ya data?
+
+## Rubric
+
+| Bora Zaidi                                                                                                                                              | Inayotosheleza                          | Inayohitaji Kuboresha                    |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | ---------------------------------------- |
+| Daftari linaonyeshwa na hadithi iliyo na angalau chati tatu tofauti zinazoonyesha vipengele vya seti ya data, jimbo kwa jimbo na mwaka kwa mwaka         | Daftari linakosa moja ya vipengele hivi | Daftari linakosa vipengele viwili hivi   |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..37d4c69e
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-26T16:42:34+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "sw"
+}
+-->
+# Kutengeneza Uwasilishaji wa Takwimu Wenye Maana
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Uwasilishaji wa Takwimu Wenye Maana - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+> "Ukipata data na kuibana vya kutosha, itakiri chochote" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Moja ya ujuzi wa msingi wa mwanasayansi wa data ni uwezo wa kuunda uwasilishaji wa takwimu wenye maana unaosaidia kujibu maswali unayoweza kuwa nayo. Kabla ya kuwasilisha data yako, unahitaji kuhakikisha kuwa imefanyiwa usafi na kuandaliwa, kama ulivyofanya katika masomo yaliyopita. Baada ya hapo, unaweza kuanza kuamua jinsi bora ya kuwasilisha data hiyo.
+
+Katika somo hili, utapitia:
+
+1. Jinsi ya kuchagua aina sahihi ya chati  
+2. Jinsi ya kuepuka chati za kupotosha  
+3. Jinsi ya kutumia rangi kwa usahihi  
+4. Jinsi ya kupangilia chati zako ili ziwe rahisi kusomeka  
+5. Jinsi ya kujenga suluhisho za chati za 3D au zenye uhuishaji  
+6. Jinsi ya kuunda uwasilishaji wa ubunifu  
+
+## [Jaribio la Kabla ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Chagua aina sahihi ya chati
+
+Katika masomo yaliyopita, ulijaribu kujenga aina mbalimbali za uwasilishaji wa takwimu kwa kutumia Matplotlib na Seaborn. Kwa ujumla, unaweza kuchagua [aina sahihi ya chati](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) kwa swali unalouliza kwa kutumia jedwali hili:
+
+| Unahitaji:                 | Unapaswa kutumia:               |
+| -------------------------- | ------------------------------- |
+| Kuonyesha mwenendo wa data kwa muda | Line                            |
+| Kulinganisha makundi       | Bar, Pie                        |
+| Kulinganisha jumla         | Pie, Stacked Bar                |
+| Kuonyesha uhusiano         | Scatter, Line, Facet, Dual Line |
+| Kuonyesha usambazaji       | Scatter, Histogram, Box         |
+| Kuonyesha uwiano           | Pie, Donut, Waffle              |
+
+> ✅ Kulingana na muundo wa data yako, unaweza kuhitaji kuibadilisha kutoka maandishi kwenda namba ili chati fulani iweze kuisapoti.
+
+## Epuka udanganyifu
+
+Hata kama mwanasayansi wa data atachagua chati sahihi kwa data sahihi, kuna njia nyingi ambazo data inaweza kuwasilishwa kwa njia ya kuthibitisha hoja fulani, mara nyingi kwa gharama ya kuharibu uaminifu wa data yenyewe. Kuna mifano mingi ya chati na infografiki za kupotosha!
+
+[![Jinsi Chati Zinavyodanganya na Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sw.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Jinsi chati zinavyodanganya")
+
+> 🎥 Bofya picha hapo juu kwa mazungumzo ya mkutano kuhusu chati za kupotosha
+
+Chati hii inageuza mhimili wa X ili kuonyesha kinyume cha ukweli, kulingana na tarehe:
+
+![chati mbaya 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sw.png)
+
+[Chati hii](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ni ya kupotosha zaidi, kwani jicho linaelekezwa upande wa kulia kuhitimisha kuwa, kwa muda, kesi za COVID zimepungua katika kaunti mbalimbali. Kwa kweli, ukitazama kwa makini tarehe, utagundua kuwa zimepangwa upya ili kuonyesha mwenendo wa kupungua ambao si wa kweli.
+
+![chati mbaya 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sw.jpg)
+
+Mfano huu maarufu unatumia rangi NA mhimili wa Y uliogeuzwa ili kudanganya: badala ya kuhitimisha kuwa vifo vya bunduki viliongezeka baada ya kupitishwa kwa sheria zinazounga mkono bunduki, jicho linadanganywa kufikiri kinyume chake:
+
+![chati mbaya 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sw.jpg)
+
+Chati hii ya ajabu inaonyesha jinsi uwiano unavyoweza kudanganywa, kwa njia ya kuchekesha:
+
+![chati mbaya 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sw.jpg)
+
+Kulinganisha vitu visivyolinganishika ni mbinu nyingine ya hila. Kuna [tovuti nzuri](https://tylervigen.com/spurious-correlations) inayohusu 'uwiano wa uongo' ikionyesha 'ukweli' unaohusisha mambo kama kiwango cha talaka huko Maine na matumizi ya siagi ya margarine. Kikundi cha Reddit pia hukusanya [matumizi mabaya](https://www.reddit.com/r/dataisugly/top/?t=all) ya data.
+
+Ni muhimu kuelewa jinsi jicho linavyoweza kudanganywa kwa urahisi na chati za kupotosha. Hata kama nia ya mwanasayansi wa data ni nzuri, uchaguzi wa aina mbaya ya chati, kama chati ya pie inayoonyesha makundi mengi sana, unaweza kupotosha.
+
+## Rangi
+
+Umeona katika chati ya 'vurugu za bunduki Florida' jinsi rangi inavyoweza kutoa maana ya ziada kwa chati, hasa zile ambazo hazijatengenezwa kwa kutumia maktaba kama Matplotlib na Seaborn ambazo zina maktaba mbalimbali za rangi zilizothibitishwa. Ikiwa unaunda chati kwa mkono, fanya utafiti kidogo wa [nadharia ya rangi](https://colormatters.com/color-and-design/basic-color-theory)
+
+> ✅ Kuwa makini, unapounda chati, kwamba upatikanaji ni kipengele muhimu cha uwasilishaji. Baadhi ya watumiaji wako wanaweza kuwa na upofu wa rangi - je, chati yako inaonekana vizuri kwa watumiaji wenye ulemavu wa kuona?
+
+Kuwa mwangalifu unapochagua rangi za chati yako, kwani rangi inaweza kuwasilisha maana usiyokusudia. 'Pink ladies' katika chati ya 'urefu' hapo juu zinaonyesha maana ya 'kike' ambayo inaongeza hali ya ajabu ya chati yenyewe.
+
+Ingawa [maana ya rangi](https://colormatters.com/color-symbolism/the-meanings-of-colors) inaweza kuwa tofauti katika sehemu mbalimbali za dunia, na huwa zinabadilika kulingana na kivuli chake. Kwa ujumla, maana za rangi ni pamoja na:
+
+| Rangi   | Maana               |
+| ------- | ------------------- |
+| nyekundu | nguvu               |
+| bluu    | uaminifu, uaminifu  |
+| njano   | furaha, tahadhari   |
+| kijani  | ekolojia, bahati, wivu |
+| zambarau | furaha              |
+| machungwa | nguvu               |
+
+Ikiwa umepewa jukumu la kujenga chati na rangi maalum, hakikisha kuwa chati zako ni rahisi kufikiwa na rangi unayochagua inalingana na maana unayojaribu kuwasilisha.
+
+## Kupangilia chati zako ili ziwe rahisi kusomeka
+
+Chati hazina maana ikiwa hazisomeki! Chukua muda wa kuzingatia kupangilia upana na urefu wa chati yako ili iweze kuendana vizuri na data yako. Ikiwa kipengele kimoja (kama majimbo yote 50) kinahitaji kuonyeshwa, yaonyeshe wima kwenye mhimili wa Y ikiwa inawezekana ili kuepuka chati inayosogezwa kwa usawa.
+
+Weka lebo kwenye mhimili wako, toa ufafanuzi ikiwa ni lazima, na toa vidokezo vya zana kwa uelewa bora wa data.
+
+Ikiwa data yako ni ya maandishi na ndefu kwenye mhimili wa X, unaweza kuipangilia kwa pembe kwa usomaji bora. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) inatoa uwezekano wa kuchora chati za 3D, ikiwa data yako inaiunga mkono. Uwasilishaji wa takwimu wa hali ya juu unaweza kuzalishwa kwa kutumia `mpl_toolkits.mplot3d`.
+
+![chati za 3D](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sw.png)
+
+## Uhuishaji na maonyesho ya chati za 3D
+
+Baadhi ya uwasilishaji bora wa takwimu leo ni wa kuhuishwa. Shirley Wu ana mifano ya kushangaza iliyofanywa na D3, kama '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ambapo kila ua ni uwasilishaji wa filamu. Mfano mwingine kwa Guardian ni 'bussed out', uzoefu wa maingiliano unaochanganya uwasilishaji na Greensock na D3 pamoja na makala ya scrollytelling kuonyesha jinsi NYC inavyoshughulikia tatizo la watu wasio na makazi kwa kuwapeleka nje ya jiji.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sw.png)
+
+> "Bussed Out: Jinsi Marekani Inavyohamisha Watu Wasio na Makazi" kutoka [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Uwasilishaji na Nadieh Bremer & Shirley Wu
+
+Ingawa somo hili halitoshi kufundisha kwa kina maktaba hizi zenye nguvu za uwasilishaji, jaribu kutumia D3 katika programu ya Vue.js kwa kutumia maktaba kuonyesha uwasilishaji wa kitabu "Dangerous Liaisons" kama mtandao wa kijamii uliobuniwa.
+
+> "Les Liaisons Dangereuses" ni riwaya ya barua, au riwaya iliyowasilishwa kama mfululizo wa barua. Iliandikwa mwaka 1782 na Choderlos de Laclos, inasimulia hadithi ya hila za kijamii za wahusika wawili wa tabaka la kifalme la Ufaransa katika karne ya 18, Vicomte de Valmont na Marquise de Merteuil. Wote wawili wanakutana na mwisho mbaya lakini si kabla ya kusababisha uharibifu mkubwa wa kijamii. Riwaya inafunguka kama mfululizo wa barua zilizoandikwa kwa watu mbalimbali katika mzunguko wao, wakipanga kulipiza kisasi au kuleta matatizo. Unda uwasilishaji wa barua hizi kugundua wahusika wakuu wa hadithi, kwa njia ya kuona.
+
+Utakamilisha programu ya wavuti ambayo itaonyesha mtazamo wa uhuishaji wa mtandao huu wa kijamii. Inatumia maktaba iliyojengwa kuunda [uwasilishaji wa mtandao](https://github.com/emiliorizzo/vue-d3-network) kwa kutumia Vue.js na D3. Wakati programu inafanya kazi, unaweza kuvuta nodi kwenye skrini ili kupanga upya data.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sw.png)
+
+## Mradi: Jenga chati kuonyesha mtandao kwa kutumia D3.js
+
+> Folda ya somo hili inajumuisha folda ya `solution` ambapo unaweza kupata mradi uliokamilika, kwa marejeleo yako.
+
+1. Fuata maelekezo katika faili la README.md lililopo kwenye mzizi wa folda ya kuanzia. Hakikisha una NPM na Node.js zikifanya kazi kwenye mashine yako kabla ya kusakinisha utegemezi wa mradi wako.
+
+2. Fungua folda ya `starter/src`. Utakuta folda ya `assets` ambapo unaweza kupata faili ya .json yenye barua zote kutoka kwenye riwaya, zikiwa zimeorodheshwa, na maelezo ya 'to' na 'from'.
+
+3. Kamilisha msimbo katika `components/Nodes.vue` ili kuwezesha uwasilishaji. Tafuta njia inayoitwa `createLinks()` na ongeza kitanzi kilicho hapa chini.
+
+Pitia kitu cha .json ili kukamata data ya 'to' na 'from' kwa barua na kujenga kitu cha `links` ili maktaba ya uwasilishaji iweze kuitumia:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Endesha programu yako kutoka kwenye terminal (npm run serve) na furahia uwasilishaji!
+
+## 🚀 Changamoto
+
+Fanya ziara ya mtandao kugundua uwasilishaji wa takwimu wa kupotosha. Je, mwandishi anamdanganya mtumiaji vipi, na je, ni kwa makusudi? Jaribu kurekebisha uwasilishaji ili kuonyesha jinsi unavyopaswa kuonekana.
+
+## [Jaribio la Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Mapitio na Kujisomea
+
+Hapa kuna makala za kusoma kuhusu uwasilishaji wa takwimu wa kupotosha:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Tazama uwasilishaji huu wa kuvutia wa mali za kihistoria na mabaki:
+
+https://handbook.pubpub.org/
+
+Pitia makala hii kuhusu jinsi uhuishaji unavyoweza kuboresha uwasilishaji wako:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Kazi ya Nyumbani
+
+[Jenga uwasilishaji wako wa kipekee](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutokuelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..f8c5e4ea
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-26T16:46:57+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Jenga vis yako maalum
+
+## Maelekezo
+
+Kutumia sampuli ya msimbo katika mradi huu kuunda mtandao wa kijamii, tengeneza data ya maingiliano yako ya kijamii. Unaweza kuonyesha matumizi yako ya mitandao ya kijamii au kutengeneza mchoro wa wanachama wa familia yako. Unda programu ya wavuti ya kuvutia inayoonyesha taswira ya kipekee ya mtandao wa kijamii.
+
+## Rubric
+
+Bora Zaidi | Inaridhisha | Inahitaji Kuboresha
+--- | --- | --- |
+Repo ya GitHub inawasilishwa ikiwa na msimbo unaofanya kazi vizuri (jaribu kuisambaza kama programu ya wavuti ya static) na ina README iliyo na maelezo ya mradi | Repo haifanyi kazi vizuri au haijadokumentiwa vizuri | Repo haifanyi kazi vizuri na haijadokumentiwa vizuri
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asilia katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..d42f9a0a
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:48:20+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "sw"
+}
+-->
+# Mradi wa taswira ya data ya Dangerous Liaisons
+
+Ili kuanza, hakikisha kuwa una NPM na Node zinazoendesha kwenye kompyuta yako. Sakinisha utegemezi (npm install) kisha endesha mradi huo kwa ndani (npm run serve):
+
+## Usanidi wa mradi
+```
+npm install
+```
+
+### Inasimbua na kupakia upya kwa maendeleo
+```
+npm run serve
+```
+
+### Inasimbua na kupunguza kwa uzalishaji
+```
+npm run build
+```
+
+### Inakagua na kurekebisha faili
+```
+npm run lint
+```
+
+### Kubinafsisha usanidi
+Tazama [Marejeleo ya Usanidi](https://cli.vuejs.org/config/).
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..abdc0f08
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-26T16:47:41+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "sw"
+}
+-->
+# Mradi wa taswira ya data ya Dangerous Liaisons
+
+Ili kuanza, unahitaji kuhakikisha kuwa NPM na Node zinafanya kazi kwenye kompyuta yako. Sakinisha utegemezi (npm install) kisha endesha mradi huu kwa ndani (npm run serve):
+
+## Usanidi wa mradi
+```
+npm install
+```
+
+### Hukusanya na kupakia upya kwa maendeleo
+```
+npm run serve
+```
+
+### Hukusanya na kupunguza kwa uzalishaji
+```
+npm run build
+```
+
+### Hukagua na kurekebisha faili
+```
+npm run lint
+```
+
+### Rekebisha usanidi
+Tazama [Marejeleo ya Usanidi](https://cli.vuejs.org/config/).
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/sw/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..dfdfd88b
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,231 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-26T17:07:10+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Kiasi
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Kuonyesha Kiasi - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo hili, utachunguza jinsi ya kutumia baadhi ya maktaba za R zilizopo ili kujifunza jinsi ya kuunda taswira za kuvutia zinazohusiana na dhana ya kiasi. Kwa kutumia seti ya data iliyosafishwa kuhusu ndege wa Minnesota, unaweza kujifunza mambo mengi ya kuvutia kuhusu wanyama wa porini wa eneo hilo.  
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Angalia upana wa mabawa kwa ggplot2
+Maktaba bora ya kuunda michoro rahisi na ya kisasa ya aina mbalimbali ni [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Kwa ujumla, mchakato wa kuchora data kwa kutumia maktaba hizi unajumuisha kutambua sehemu za dataframe unazotaka kulenga, kufanya mabadiliko yoyote yanayohitajika kwenye data hiyo, kuainisha thamani za x na y, kuamua aina ya mchoro wa kuonyesha, na kisha kuonyesha mchoro huo.
+
+`ggplot2` ni mfumo wa kuunda michoro kwa njia ya maelezo, kulingana na The Grammar of Graphics. [Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) ni mpango wa jumla wa taswira ya data ambao unagawanya grafu katika vipengele vya maana kama vile mizani na tabaka. Kwa maneno mengine, urahisi wa kuunda michoro na grafu kwa data ya univariate au multivariate kwa kutumia msimbo mdogo hufanya `ggplot2` kuwa kifurushi maarufu zaidi kinachotumika kwa taswira katika R. Mtumiaji huambia `ggplot2` jinsi ya kuunganisha vigezo na aesthetics, primitives za kielelezo za kutumia, na `ggplot2` hushughulikia kilichobaki.
+
+> ✅ Mchoro = Data + Aesthetics + Geometry  
+> - Data inahusu seti ya data  
+> - Aesthetics inaonyesha vigezo vya kuchunguzwa (vigezo vya x na y)  
+> - Geometry inahusu aina ya mchoro (mchoro wa mstari, mchoro wa bar, n.k.)  
+
+Chagua geometry bora (aina ya mchoro) kulingana na data yako na hadithi unayotaka kusimulia kupitia mchoro huo.  
+
+> - Kuchambua mwenendo: mstari, safu  
+> - Kulinganisha thamani: bar, safu, pie, scatterplot  
+> - Kuonyesha jinsi sehemu zinavyohusiana na jumla: pie  
+> - Kuonyesha usambazaji wa data: scatterplot, bar  
+> - Kuonyesha uhusiano kati ya thamani: mstari, scatterplot, bubble  
+
+✅ Unaweza pia kuangalia [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) hii ya maelezo kwa ggplot2.
+
+## Unda mchoro wa mstari kuhusu thamani za upana wa mabawa ya ndege
+
+Fungua console ya R na uingize seti ya data.  
+> Kumbuka: Seti ya data imehifadhiwa katika mzizi wa repo hii kwenye folda ya `/data`.
+
+Hebu tuingize seti ya data na tuangalie kichwa (mistari 5 ya juu) ya data.
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+Kichwa cha data kina mchanganyiko wa maandishi na namba:
+
+|      | Jina                          | Jina la Kisayansi      | Kategoria             | Order        | Family   | Genus       | Hali ya Uhifadhi   | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan |
+| ---: | :---------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous whistling-duck       | Dendrocygna bicolor    | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snow goose                   | Anser caerulescens     | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross's goose                 | Anser rossii           | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Greater white-fronted goose  | Anser albifrons        | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Hebu tuanze kwa kuchora baadhi ya data ya namba kwa kutumia mchoro wa mstari wa msingi. Tuseme unataka mtazamo wa upana wa mabawa wa juu zaidi kwa ndege hawa wa kuvutia.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Hapa, unasakinisha kifurushi cha `ggplot2` na kisha unakileta kwenye workspace kwa kutumia amri `library("ggplot2")`. Ili kuchora mchoro wowote katika ggplot, kazi ya `ggplot()` inatumika na unataja seti ya data, vigezo vya x na y kama sifa. Katika kesi hii, tunatumia kazi ya `geom_line()` kwa kuwa tunalenga kuchora mchoro wa mstari.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sw.png)
+
+Unagundua nini mara moja? Inaonekana kuna angalau kipengele kimoja cha nje - huo ni upana wa mabawa wa ajabu! Upana wa mabawa wa zaidi ya sentimita 2000 ni zaidi ya mita 20 - kuna Pterodactyls wanaozunguka Minnesota? Hebu tuchunguze.
+
+Ingawa unaweza kufanya upangaji wa haraka katika Excel ili kupata vipengele vya nje, ambavyo labda ni makosa ya kuandika, endelea na mchakato wa taswira kwa kufanya kazi kutoka ndani ya mchoro.
+
+Ongeza lebo kwenye mhimili wa x ili kuonyesha aina gani ya ndege zinahusika:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+Tunataja pembe katika `theme` na tunataja lebo za mhimili wa x na y katika `xlab()` na `ylab()` mtawalia. `ggtitle()` inatoa jina kwa grafu/mchoro.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sw.png)
+
+Hata kwa mzunguko wa lebo uliowekwa kwa digrii 45, kuna nyingi sana kusoma. Hebu jaribu mkakati tofauti: lebo tu kwa vipengele vya nje na weka lebo ndani ya mchoro. Unaweza kutumia mchoro wa scatter ili kutoa nafasi zaidi kwa kuweka lebo:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+Nini kinaendelea hapa? Ulitumia kazi ya `geom_point()` kuchora alama za scatter. Kwa hili, uliongeza lebo kwa ndege ambao walikuwa na `MaxWingspan > 500` na pia ulificha lebo kwenye mhimili wa x ili kupunguza msongamano wa mchoro.
+
+Unagundua nini?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sw.png)
+
+## Chuja data yako
+
+Bald Eagle na Prairie Falcon, ingawa labda ni ndege wakubwa sana, inaonekana wamepewa lebo vibaya, na sifuri ya ziada imeongezwa kwenye upana wao wa mabawa wa juu zaidi. Haiwezekani kukutana na Bald Eagle mwenye upana wa mabawa wa mita 25, lakini ikiwa ni hivyo, tafadhali tujulishe! Hebu tuunde dataframe mpya bila vipengele hivyo vya nje:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Tulitengeneza dataframe mpya `birds_filtered` na kisha tukachora mchoro wa scatter. Kwa kuchuja vipengele vya nje, data yako sasa ni ya mshikamano zaidi na inayoeleweka.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sw.png)
+
+Sasa kwa kuwa tuna seti ya data safi angalau kwa suala la upana wa mabawa, hebu tujifunze zaidi kuhusu ndege hawa.
+
+Ingawa michoro ya mstari na scatter inaweza kuonyesha taarifa kuhusu thamani za data na usambazaji wake, tunataka kufikiria kuhusu thamani zilizomo katika seti hii ya data. Unaweza kuunda taswira ili kujibu maswali yafuatayo kuhusu kiasi:
+
+> Kuna kategoria ngapi za ndege, na idadi yao ni ngapi?  
+> Kuna ndege wangapi waliopotea, walio hatarini, adimu, au wa kawaida?  
+> Kuna idadi gani ya genus na order mbalimbali katika terminolojia ya Linnaeus?  
+## Chunguza michoro ya bar
+
+Michoro ya bar ni ya vitendo unapohitaji kuonyesha makundi ya data. Hebu tuchunguze kategoria za ndege zilizopo katika seti hii ya data ili kuona ni ipi iliyo ya kawaida zaidi kwa idadi.  
+Hebu tuunde mchoro wa bar kwenye data iliyochujwa.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+Katika kipande kinachofuata, tunasakinisha vifurushi vya [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) na [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) ili kusaidia kudhibiti na kuunda data kwa lengo la kuchora mchoro wa bar uliojaa. Kwanza, unagawanya data kwa `Category` ya ndege na kisha unatoa muhtasari wa safu za `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Kisha, unachora mchoro wa bar kwa kutumia kifurushi cha `ggplot2` na kutaja rangi kwa kategoria tofauti na lebo.
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sw.png)
+
+Hata hivyo, mchoro huu wa bar hauwezi kusomeka kwa sababu kuna data nyingi isiyogawanywa. Unahitaji kuchagua tu data unayotaka kuchora, kwa hivyo hebu tuangalie urefu wa ndege kulingana na kategoria yao.
+
+Chuja data yako ili kujumuisha tu kategoria ya ndege.
+
+Kwa kuwa kuna kategoria nyingi, unaweza kuonyesha mchoro huu kwa wima na kurekebisha urefu wake ili kuzingatia data yote:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Kwanza unahesabu thamani za kipekee katika safu ya `Category` na kisha unazipanga katika dataframe mpya `birds_count`. Data hii iliyopangwa kisha inafanywa kuwa ya kiwango sawa ili iweze kuchorwa kwa mpangilio uliopangwa. Kwa kutumia `ggplot2` unachora data katika mchoro wa bar. `coord_flip()` inachora bar wima.
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sw.png)
+
+Mchoro huu wa bar unaonyesha mtazamo mzuri wa idadi ya ndege katika kila kategoria. Kwa haraka, unaona kwamba idadi kubwa ya ndege katika eneo hili wako katika kategoria ya Ducks/Geese/Waterfowl. Minnesota ni 'ardhi ya maziwa 10,000' kwa hivyo hili si la kushangaza!
+
+✅ Jaribu hesabu nyingine kwenye seti hii ya data. Kuna kitu kinachokushangaza?
+
+## Kulinganisha data
+
+Unaweza kujaribu kulinganisha tofauti za data iliyogawanywa kwa kuunda axes mpya. Jaribu kulinganisha MaxLength ya ndege, kulingana na kategoria yake:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Tunagawanya data ya `birds_filtered` kwa `Category` na kisha tunachora mchoro wa bar.
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sw.png)
+
+Hakuna la kushangaza hapa: hummingbirds wana MaxLength ndogo zaidi ikilinganishwa na Pelicans au Geese. Ni vizuri wakati data ina mantiki!
+
+Unaweza kuunda taswira za kuvutia zaidi za michoro ya bar kwa kuweka data juu ya nyingine. Hebu tuweke Minimum na Maximum Length kwenye kategoria fulani ya ndege:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sw.png)
+
+## 🚀 Changamoto
+
+Seti hii ya data ya ndege inatoa utajiri wa taarifa kuhusu aina tofauti za ndege ndani ya mfumo fulani wa ikolojia. Tafuta mtandaoni na uone kama unaweza kupata seti nyingine za data zinazohusiana na ndege. Fanya mazoezi ya kujenga michoro na grafu kuhusu ndege hawa ili kugundua ukweli ambao hukujua.
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Mapitio na Kujisomea
+
+Somo hili la kwanza limekupa taarifa kuhusu jinsi ya kutumia `ggplot2` kuonyesha kiasi. Fanya utafiti kuhusu njia nyingine za kufanya kazi na seti za data kwa taswira. Tafuta na angalia seti za data ambazo unaweza kuonyesha kwa kutumia vifurushi vingine kama [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) na [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Kazi  
+[Lines, Scatters, and Bars](assignment.md)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/sw/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..1ec2c223
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-26T17:13:26+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Mistari, Mchoro wa Nukta na Mchoro wa Mstari wa Nguzo
+
+## Maelekezo
+
+Katika somo hili, ulifanya kazi na chati za mistari, mchoro wa nukta, na chati za mstari wa nguzo ili kuonyesha mambo ya kuvutia kuhusu seti hii ya data. Katika kazi hii, chunguza kwa kina seti ya data ili kugundua ukweli kuhusu aina fulani ya ndege. Kwa mfano, tengeneza script inayoonyesha kwa picha data yote ya kuvutia unayoweza kugundua kuhusu Snow Geese. Tumia michoro mitatu iliyotajwa hapo juu ili kusimulia hadithi kwenye daftari lako.
+
+## Rubric
+
+Bora Kabisa | Inaridhisha | Inahitaji Kuboreshwa
+--- | --- | -- |
+Script imewasilishwa ikiwa na maelezo mazuri, simulizi thabiti, na michoro ya kuvutia | Script inakosa moja ya vipengele hivi | Script inakosa vipengele viwili vya hivi
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/sw/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..959d40a0
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,185 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-26T16:58:41+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Usambazaji wa Takwimu
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Kuonyesha Usambazaji wa Takwimu - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo lililopita, ulijifunza mambo ya kuvutia kuhusu seti ya data ya ndege wa Minnesota. Ulitambua data yenye makosa kwa kuonyesha vipimo vya nje na ukaangalia tofauti kati ya makundi ya ndege kulingana na urefu wao wa juu zaidi.
+
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Chunguza seti ya data ya ndege
+
+Njia nyingine ya kuchunguza data ni kwa kuangalia usambazaji wake, yaani jinsi data imepangwa kwenye mhimili. Labda, kwa mfano, ungependa kujifunza kuhusu usambazaji wa jumla wa urefu wa mabawa wa juu zaidi au uzito wa juu zaidi wa mwili wa ndege wa Minnesota katika seti hii ya data.
+
+Hebu tugundue baadhi ya ukweli kuhusu usambazaji wa data katika seti hii ya data. Katika R console yako, ingiza `ggplot2` na hifadhidata. Ondoa vipimo vya nje kutoka kwenye hifadhidata kama ulivyofanya katika mada iliyopita.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Jina                          | Jina la Kisayansi      | Jamii                | Oda          | Familia  | Jinsia      | Hali ya Uhifadhi   | UrefuMdogo | UrefuMkuu | UzitoMdogo  | UzitoMkuu   | MabawaMdogo | MabawaMkuu  |
+| ---: | :--------------------------- | :--------------------- | :------------------- | :----------- | :------- | :---------- | :---------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Bata/Bata-maji       | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous whistling-duck       | Dendrocygna bicolor    | Bata/Bata-maji       | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snow goose                   | Anser caerulescens     | Bata/Bata-maji       | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross's goose                 | Anser rossii           | Bata/Bata-maji       | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Greater white-fronted goose  | Anser albifrons        | Bata/Bata-maji       | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Kwa ujumla, unaweza kuangalia haraka jinsi data inavyosambazwa kwa kutumia mchoro wa alama kama tulivyofanya katika somo lililopita:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![urefu wa juu kwa oda](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sw.png)
+
+Hii inatoa muhtasari wa usambazaji wa jumla wa urefu wa mwili kwa kila Oda ya ndege, lakini si njia bora ya kuonyesha usambazaji wa kweli. Kazi hii kawaida hufanywa kwa kuunda Histogramu.
+
+## Kufanya kazi na histogramu
+
+`ggplot2` inatoa njia nzuri sana za kuonyesha usambazaji wa data kwa kutumia Histogramu. Aina hii ya mchoro ni kama mchoro wa nguzo ambapo usambazaji unaweza kuonekana kupitia kupanda na kushuka kwa nguzo. Ili kujenga histogramu, unahitaji data ya namba. Ili kujenga Histogramu, unaweza kuchora mchoro ukifafanua aina kama 'hist' kwa Histogramu. Mchoro huu unaonyesha usambazaji wa UzitoMkuu wa Mwili kwa seti nzima ya data ya namba. Kwa kugawanya safu ya data iliyotolewa katika sehemu ndogo, inaweza kuonyesha usambazaji wa thamani za data:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![usambazaji wa seti nzima ya data](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sw.png)
+
+Kama unavyoona, ndege wengi zaidi ya 400 katika seti hii ya data wanaangukia katika safu ya chini ya 2000 kwa UzitoMkuu wa Mwili wao. Pata ufahamu zaidi kuhusu data kwa kubadilisha kipengele cha `bins` kuwa namba kubwa zaidi, kama 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![usambazaji-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sw.png)
+
+Mchoro huu unaonyesha usambazaji kwa undani zaidi. Mchoro usioegemea sana upande wa kushoto unaweza kuundwa kwa kuhakikisha kuwa unachagua tu data ndani ya safu fulani:
+
+Chuja data yako ili kupata ndege wale tu ambao uzito wa mwili wao uko chini ya 60, na uonyeshe `bins` 30:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![histogramu iliyochujwa](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sw.png)
+
+✅ Jaribu vichujio vingine na pointi za data. Ili kuona usambazaji kamili wa data, ondoa kichujio cha `['MaxBodyMass']` ili kuonyesha usambazaji ulio na lebo.
+
+Histogramu inatoa rangi nzuri na maboresho ya kuweka lebo pia:
+
+Unda histogramu ya 2D ili kulinganisha uhusiano kati ya usambazaji mbili. Hebu tulinganishe `MaxBodyMass` dhidi ya `MaxLength`. `ggplot2` inatoa njia iliyojengwa ndani ya kuonyesha mwelekeo kwa kutumia rangi angavu zaidi:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Inaonekana kuna uhusiano unaotarajiwa kati ya vipengele hivi viwili kwenye mhimili unaotarajiwa, na sehemu moja yenye nguvu ya mwelekeo:
+
+![mchoro wa 2d](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sw.png)
+
+Histogramu hufanya kazi vizuri kwa chaguo-msingi kwa data ya namba. Je, unahitaji kuona usambazaji kulingana na data ya maandishi?
+
+## Chunguza seti ya data kwa usambazaji kwa kutumia data ya maandishi 
+
+Seti hii ya data pia inajumuisha taarifa nzuri kuhusu jamii ya ndege na jinsia, spishi, na familia yao pamoja na hali yao ya uhifadhi. Hebu tuchunguze taarifa hii ya uhifadhi. Je, usambazaji wa ndege kulingana na hali yao ya uhifadhi ukoje?
+
+> ✅ Katika seti ya data, vifupisho kadhaa vinatumika kuelezea hali ya uhifadhi. Vifupisho hivi vinatoka kwa [IUCN Red List Categories](https://www.iucnredlist.org/), shirika linaloorodhesha hali ya spishi.
+> 
+> - CR: Hatari Sana
+> - EN: Hatari
+> - EX: Waliotoweka
+> - LC: Wasiokuwa na Wasiwasi
+> - NT: Karibu na Hatari
+> - VU: Wenye Hatari
+
+Hizi ni thamani za maandishi kwa hivyo utahitaji kufanya mabadiliko ili kuunda histogramu. Ukichukua dataframe ya filteredBirds, onyesha hali yake ya uhifadhi pamoja na MabawaMdogo. Unaona nini?
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![mabawa na hali ya uhifadhi](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sw.png)
+
+Haionekani kuwa na uhusiano mzuri kati ya mabawa madogo na hali ya uhifadhi. Jaribu vipengele vingine vya seti ya data kwa kutumia njia hii. Je, unapata uhusiano wowote?
+
+## Mchoro wa Msongamano
+
+Huenda umeona kuwa histogramu tulizozitazama hadi sasa ni za 'vipande' na hazina mtiririko mzuri wa mviringo. Ili kuonyesha mchoro wa msongamano ulio laini zaidi, unaweza kujaribu mchoro wa msongamano.
+
+Hebu tufanye kazi na mchoro wa msongamano sasa!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![mchoro wa msongamano](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sw.png)
+
+Unaweza kuona jinsi mchoro unavyoakisi ule wa awali wa data ya MabawaMdogo; ni laini kidogo tu. Ikiwa ungependa kurejea mstari wa vipande wa UzitoMkuu wa Mwili katika mchoro wa pili uliounda, ungeweza kuulainisha vizuri kwa kuunda upya kwa kutumia njia hii:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![msongamano wa uzito wa mwili](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sw.png)
+
+Ikiwa ungependa mstari ulio laini, lakini si laini sana, hariri kipengele cha `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![msongamano wa uzito wa mwili usio laini sana](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sw.png)
+
+✅ Soma kuhusu vigezo vinavyopatikana kwa aina hii ya mchoro na ujaribu!
+
+Aina hii ya mchoro inatoa vielelezo vya kuelezea vizuri. Kwa mistari michache ya msimbo, kwa mfano, unaweza kuonyesha msongamano wa uzito wa juu wa mwili kwa kila Oda ya ndege:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![uzito wa mwili kwa oda](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sw.png)
+
+## 🚀 Changamoto
+
+Histogramu ni aina ya mchoro wa hali ya juu zaidi kuliko michoro ya alama, nguzo, au mistari ya msingi. Tafuta mifano mizuri ya matumizi ya histogramu kwenye mtandao. Zinatumika vipi, zinaonyesha nini, na katika nyanja au maeneo gani ya uchunguzi zinatumiwa mara nyingi?
+
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Mapitio na Kujisomea
+
+Katika somo hili, ulitumia `ggplot2` na kuanza kufanya kazi kuonyesha michoro ya hali ya juu zaidi. Fanya utafiti kuhusu `geom_density_2d()` ambayo ni "mchoro wa msongamano wa uwezekano unaoendelea katika mwelekeo mmoja au zaidi". Soma [nyaraka](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) ili kuelewa jinsi inavyofanya kazi.
+
+## Kazi
+
+[Tumia ujuzi wako](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/sw/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..28319512
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-26T17:01:56+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Tumia Ujuzi Wako
+
+## Maelekezo
+
+Hadi sasa, umekuwa ukifanya kazi na seti ya data ya ndege wa Minnesota ili kugundua taarifa kuhusu idadi ya ndege na msongamano wa idadi ya watu. Fanya mazoezi ya kutumia mbinu hizi kwa kujaribu seti tofauti ya data, labda inayopatikana kutoka [Kaggle](https://www.kaggle.com/). Unda script ya R ili kusimulia hadithi kuhusu seti hii ya data, na hakikisha unatumia histograms unapojadili kuhusu data hiyo.
+
+## Rubric
+
+Bora Zaidi | Inayokubalika | Inahitaji Kuboresha
+--- | --- | -- |
+Script imewasilishwa ikiwa na maelezo kuhusu seti hii ya data, ikijumuisha chanzo chake, na inatumia angalau histograms 5 kugundua ukweli kuhusu data. | Script imewasilishwa ikiwa na maelezo yasiyokamilika au ina hitilafu. | Script imewasilishwa bila maelezo na ina hitilafu.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/sw/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..79dc192a
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,203 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-26T17:18:48+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Uwiano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Kuonyesha Uwiano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Katika somo hili, utatumia seti ya data inayohusiana na asili ili kuonyesha uwiano, kama vile idadi ya aina tofauti za uyoga zinazopatikana katika seti ya data kuhusu uyoga. Hebu tuchunguze uyoga huu wa kuvutia kwa kutumia seti ya data kutoka Audubon inayoorodhesha maelezo kuhusu spishi 23 za uyoga wenye magamba katika familia za Agaricus na Lepiota. Utajaribu mbinu za kuvutia za kuonyesha data kama:
+
+- Chati za pai 🥧
+- Chati za donati 🍩
+- Chati za waffle 🧇
+
+> 💡 Mradi wa kuvutia sana unaoitwa [Charticulator](https://charticulator.com) na Microsoft Research unatoa kiolesura cha bure cha kuburuta na kudondosha kwa ajili ya kuonyesha data. Katika mojawapo ya mafunzo yao wanatumia seti ya data ya uyoga! Kwa hivyo unaweza kuchunguza data na kujifunza maktaba hiyo kwa wakati mmoja: [Mafunzo ya Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Fahamu uyoga wako 🍄
+
+Uyoga ni wa kuvutia sana. Hebu tuingize seti ya data ili kuwasoma:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+Jedwali linachapishwa likiwa na data nzuri kwa uchambuzi:
+
+
+| darasa     | umbo la kofia | uso wa kofia | rangi ya kofia | majeraha | harufu    | kiambatisho cha magamba | nafasi ya magamba | ukubwa wa magamba | rangi ya magamba | umbo la shina | mzizi wa shina | uso wa shina juu ya pete | uso wa shina chini ya pete | rangi ya shina juu ya pete | rangi ya shina chini ya pete | aina ya pazia | rangi ya pazia | idadi ya pete | aina ya pete | rangi ya uchapaji wa spora | idadi ya watu | makazi |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Sumu | Mbonyeo    | Laini      | Kahawia     | Majeraha | Chungu | Huru            | Karibu        | Nyembamba    | Nyeusi      | Inapanuka   | Sawa      | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu   | Nyeupe      | Moja         | Inaning'inia   | Nyeusi             | Imetawanyika  | Mjini   |
+| Chakula    | Mbonyeo    | Laini      | Njano    | Majeraha | Mlozi  | Huru            | Karibu        | Pana     | Nyeusi      | Inapanuka   | Klabu       | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu   | Nyeupe      | Moja         | Inaning'inia   | Kahawia             | Nyingi   | Nyasi |
+| Chakula    | Kengele      | Laini      | Nyeupe     | Majeraha | Anise   | Huru            | Karibu        | Pana     | Kahawia      | Inapanuka   | Klabu       | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu   | Nyeupe      | Moja         | Inaning'inia   | Kahawia             | Nyingi   | Malisho |
+| Sumu | Mbonyeo    | Magamba       | Nyeupe     | Majeraha | Chungu | Huru            | Karibu        | Nyembamba    | Kahawia      | Inapanuka   | Sawa      | Laini                   | Laini                   | Nyeupe                  | Nyeupe                  | Sehemu   | Nyeupe      | Moja         | Inaning'inia   | Nyeusi             | Imetawanyika  | Mjini 
+| Chakula | Mbonyeo       |Laini       | Kijani     | Hakuna Majeraha| Hakuna   |Huru            | Imejaa       | Pana     | Nyeusi      | Inakonda   | Sawa      |  Laini | Laini                    | Nyeupe                 | Nyeupe                  | Sehemu    | Nyeupe     | Moja         | Inatoweka | Kahawia             | Tele | Nyasi
+|Chakula  |  Mbonyeo      | Magamba   | Njano         | Majeraha  | Mlozi  | Huru | Karibu  |   Pana   |   Kahawia  | Inapanuka   |   Klabu                      | Laini                  | Laini    | Nyeupe                 |  Nyeupe                | Sehemu      | Nyeupe    |  Moja  |  Inaning'inia | Nyeusi   | Nyingi | Nyasi
+      
+Mara moja, unagundua kuwa data yote ni ya maandishi. Utalazimika kubadilisha data hii ili uweze kuitumia katika chati. Kwa kweli, data nyingi inawakilishwa kama kitu:
+
+```r
+names(mushrooms)
+```
+
+Matokeo ni:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+Chukua data hii na ubadilishe safu ya 'darasa' kuwa kategoria:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+
+Sasa, ukichapisha data ya uyoga, utaona kuwa imepangwa katika kategoria kulingana na darasa la sumu/chakula:
+```r
+View(grouped)
+```
+
+
+| darasa | idadi |
+| --------- | --------- |
+| Chakula | 4208 |
+| Sumu| 3916 |
+
+
+
+Ukifuata mpangilio uliowasilishwa katika jedwali hili kuunda lebo za kategoria za darasa, unaweza kujenga chati ya pai. 
+
+## Pai!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+Voila, chati ya pai inayoonyesha uwiano wa data hii kulingana na madarasa haya mawili ya uyoga. Ni muhimu sana kupata mpangilio wa lebo sahihi, hasa hapa, kwa hivyo hakikisha unathibitisha mpangilio ambao safu ya lebo imejengwa!
+
+![chati ya pai](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sw.png)
+
+## Donati!
+
+Chati ya pai yenye kuvutia zaidi kwa macho ni chati ya donati, ambayo ni chati ya pai yenye shimo katikati. Hebu tuangalie data yetu kwa kutumia mbinu hii.
+
+Angalia makazi mbalimbali ambapo uyoga hukua:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+Matokeo ni:
+| makazi| idadi |
+| --------- | --------- |
+| Nyasi    | 2148 |
+| Majani| 832 |
+| Malisho    | 292 |
+| Njia| 1144 |
+| Mjini    | 368 |
+| Taka| 192 |
+| Miti| 3148 |
+
+
+Hapa, unapangilia data yako kwa makazi. Kuna 7 yaliyoorodheshwa, kwa hivyo tumia hayo kama lebo za chati yako ya donati:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![chati ya donati](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sw.png)
+
+Msimbo huu unatumia maktaba mbili - ggplot2 na webr. Kwa kutumia kipengele cha PieDonut cha maktaba ya webr, tunaweza kuunda chati ya donati kwa urahisi!
+
+Chati za donati katika R zinaweza kufanywa kwa kutumia maktaba ya ggplot2 pekee pia. Unaweza kujifunza zaidi kuhusu hilo [hapa](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) na ujaribu mwenyewe.
+
+Sasa kwa kuwa unajua jinsi ya kupanga data yako na kisha kuionyesha kama pai au donati, unaweza kuchunguza aina nyingine za chati. Jaribu chati ya waffle, ambayo ni njia tofauti ya kuchunguza idadi.
+
+## Waffle!
+
+Chati ya aina ya 'waffle' ni njia tofauti ya kuonyesha idadi kama safu ya 2D ya miraba. Jaribu kuonyesha idadi tofauti za rangi za kofia za uyoga katika seti hii ya data. Ili kufanya hivyo, unahitaji kusakinisha maktaba ya msaidizi inayoitwa [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) na kuitumia kuunda chati yako:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+Chagua sehemu ya data yako ili kupanga:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+Unda chati ya waffle kwa kuunda lebo na kisha kupanga data yako:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+Kwa kutumia chati ya waffle, unaweza kuona wazi uwiano wa rangi za kofia za uyoga katika seti hii ya data. Cha kuvutia, kuna uyoga wengi wenye kofia za kijani!
+
+![chati ya waffle](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sw.png)
+
+Katika somo hili, ulijifunza njia tatu za kuonyesha uwiano. Kwanza, unahitaji kupanga data yako katika kategoria na kisha kuamua ni njia gani bora ya kuonyesha data - pai, donati, au waffle. Zote ni tamu na zinamfurahisha mtumiaji kwa muhtasari wa haraka wa seti ya data.
+
+## 🚀 Changamoto
+
+Jaribu kuunda upya chati hizi tamu katika [Charticulator](https://charticulator.com).
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Mapitio & Kujisomea
+
+Wakati mwingine si rahisi kujua ni lini utumie pai, donati, au chati ya waffle. Hapa kuna makala za kusoma kuhusu mada hii:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Fanya utafiti ili kupata maelezo zaidi kuhusu uamuzi huu mgumu.
+
+## Kazi
+
+[Jaribu katika Excel](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/sw/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..d1e6647a
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-26T17:02:43+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "sw"
+}
+-->
+# Kuonyesha Mahusiano: Yote Kuhusu Asali 🍯
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Kuonyesha Mahusiano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Tukiendelea na mtazamo wa asili katika utafiti wetu, hebu tujifunze mbinu za kuvutia za kuonyesha mahusiano kati ya aina mbalimbali za asali, kulingana na seti ya data iliyotolewa na [Idara ya Kilimo ya Marekani](https://www.nass.usda.gov/About_NASS/index.php).
+
+Seti hii ya data yenye takriban vipengele 600 inaonyesha uzalishaji wa asali katika majimbo mengi ya Marekani. Kwa mfano, unaweza kuchunguza idadi ya makoloni, mavuno kwa kila koloni, uzalishaji wa jumla, akiba, bei kwa pauni, na thamani ya asali iliyozalishwa katika jimbo fulani kuanzia mwaka 1998-2012, na safu moja kwa kila mwaka kwa kila jimbo.
+
+Itakuwa ya kuvutia kuonyesha mahusiano kati ya uzalishaji wa jimbo fulani kwa mwaka na, kwa mfano, bei ya asali katika jimbo hilo. Vinginevyo, unaweza kuonyesha mahusiano kati ya mavuno ya asali kwa kila koloni katika majimbo mbalimbali. Kipindi hiki cha miaka kinajumuisha tukio la kusikitisha la 'CCD' au 'Colony Collapse Disorder' lililoonekana kwa mara ya kwanza mwaka 2006 (http://npic.orst.edu/envir/ccd.html), kwa hivyo ni seti ya data yenye umuhimu wa kusoma. 🐝
+
+## [Jaribio la kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Katika somo hili, unaweza kutumia ggplot2, ambayo umewahi kuitumia, kama maktaba nzuri ya kuonyesha mahusiano kati ya vigezo. Kinachovutia zaidi ni matumizi ya `geom_point` na `qplot` ya ggplot2 ambayo inaruhusu michoro ya alama na mistari kuonyesha haraka '[mahusiano ya takwimu](https://ggplot2.tidyverse.org/)', ambayo humsaidia mtaalamu wa data kuelewa vyema jinsi vigezo vinavyohusiana.
+
+## Michoro ya Alama
+
+Tumia mchoro wa alama kuonyesha jinsi bei ya asali imebadilika, mwaka hadi mwaka, kwa kila jimbo. ggplot2, kwa kutumia `ggplot` na `geom_point`, inagawanya data ya majimbo kwa urahisi na kuonyesha alama za data kwa data ya kategoria na ya nambari.
+
+Hebu tuanze kwa kuingiza data na Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Unagundua kuwa data ya asali ina safu kadhaa za kuvutia, ikiwemo mwaka na bei kwa pauni. Hebu tuchunguze data hii, iliyogawanywa kwa majimbo ya Marekani:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+Unda mchoro wa msingi wa alama kuonyesha mahusiano kati ya bei kwa pauni ya asali na jimbo la asili. Fanya mhimili wa `y` uwe mrefu vya kutosha kuonyesha majimbo yote:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sw.png)
+
+Sasa, onyesha data hiyo hiyo kwa mpangilio wa rangi ya asali ili kuonyesha jinsi bei inavyobadilika mwaka hadi mwaka. Unaweza kufanya hivi kwa kuongeza kipengele cha 'scale_color_gradientn' kuonyesha mabadiliko, mwaka hadi mwaka:
+
+> ✅ Jifunze zaidi kuhusu [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - jaribu mpangilio mzuri wa rangi za upinde wa mvua!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sw.png)
+
+Kwa mabadiliko haya ya mpangilio wa rangi, unaweza kuona wazi kuwa kuna mwelekeo wa kuongezeka kwa bei ya asali kwa pauni mwaka hadi mwaka. Kwa kweli, ukichunguza seti ya sampuli katika data ili kuthibitisha (chagua jimbo fulani, Arizona kwa mfano) unaweza kuona mwelekeo wa ongezeko la bei mwaka hadi mwaka, isipokuwa kwa baadhi ya miaka:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+Njia nyingine ya kuonyesha mwelekeo huu ni kutumia ukubwa badala ya rangi. Kwa watumiaji wenye matatizo ya kuona rangi, hii inaweza kuwa chaguo bora. Hariri mchoro wako kuonyesha ongezeko la bei kwa ongezeko la mduara wa alama:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Unaweza kuona ukubwa wa alama ukiongezeka polepole.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sw.png)
+
+Je, hili ni suala rahisi la mahitaji na usambazaji? Kutokana na sababu kama mabadiliko ya hali ya hewa na kuporomoka kwa makoloni, je, kuna asali kidogo inayopatikana kwa ununuzi mwaka hadi mwaka, na hivyo bei kuongezeka?
+
+Ili kugundua uhusiano kati ya baadhi ya vigezo katika seti hii ya data, hebu tuchunguze baadhi ya michoro ya mistari.
+
+## Michoro ya Mistari
+
+Swali: Je, kuna ongezeko dhahiri la bei ya asali kwa pauni mwaka hadi mwaka? Unaweza kugundua hili kwa urahisi kwa kuunda mchoro mmoja wa mstari:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Jibu: Ndiyo, isipokuwa kwa baadhi ya miaka kama 2003:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sw.png)
+
+Swali: Vema, mwaka 2003 tunaweza pia kuona ongezeko la usambazaji wa asali? Je, ukichunguza uzalishaji wa jumla mwaka hadi mwaka?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sw.png)
+
+Jibu: Sio kweli. Ukichunguza uzalishaji wa jumla, inaonekana kuwa uliongezeka katika mwaka huo, ingawa kwa ujumla uzalishaji wa asali unaonekana kupungua katika miaka hiyo.
+
+Swali: Katika hali hiyo, ni nini kingeweza kusababisha ongezeko la bei ya asali karibu na mwaka 2003?
+
+Ili kugundua hili, unaweza kuchunguza gridi ya vipengele.
+
+## Gridi ya Vipengele
+
+Gridi ya vipengele huchukua kipengele kimoja cha seti yako ya data (katika hali yetu, unaweza kuchagua 'mwaka' ili kuepuka kuwa na vipengele vingi sana). Seaborn inaweza kisha kutengeneza mchoro kwa kila kipengele cha x na y ulichokichagua kwa kulinganisha kwa urahisi. Je, mwaka 2003 unajitokeza katika aina hii ya kulinganisha?
+
+Unda gridi ya vipengele kwa kutumia `facet_wrap` kama inavyopendekezwa na [nyaraka za ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html).
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+Katika mchoro huu, unaweza kulinganisha mavuno kwa koloni na idadi ya makoloni mwaka hadi mwaka, sambamba na mpangilio wa safu 3:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sw.png)
+
+Kwa seti hii ya data, hakuna kitu kinachojitokeza hasa kuhusu idadi ya makoloni na mavuno yao, mwaka hadi mwaka na jimbo hadi jimbo. Je, kuna njia tofauti ya kutafuta uhusiano kati ya vigezo hivi viwili?
+
+## Michoro ya Mistari Miwili
+
+Jaribu mchoro wa mistari miwili kwa kuweka mistari miwili juu ya kila mmoja, kwa kutumia `par` na `plot` ya R. Tutakuwa tunachora mwaka kwenye mhimili wa x na kuonyesha mihimili miwili ya y. Kwa hivyo, onyesha mavuno kwa koloni na idadi ya makoloni, juu ya kila mmoja:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sw.png)
+
+Ingawa hakuna kitu kinachojitokeza karibu na mwaka 2003, inaturuhusu kumaliza somo hili kwa maelezo ya furaha kidogo: ingawa kuna kupungua kwa idadi ya makoloni kwa ujumla, idadi ya makoloni inaimarika hata kama mavuno yao kwa koloni yanapungua.
+
+Endeleeni nyuki, endeleeni!
+
+🐝❤️
+## 🚀 Changamoto
+
+Katika somo hili, umejifunza kidogo zaidi kuhusu matumizi mengine ya michoro ya alama na gridi za mistari, ikiwemo gridi za vipengele. Jipatie changamoto ya kuunda gridi ya vipengele kwa kutumia seti tofauti ya data, labda moja uliyotumia kabla ya masomo haya. Angalia muda unaochukua kuunda na jinsi unavyohitaji kuwa makini kuhusu idadi ya gridi unazohitaji kuchora kwa kutumia mbinu hizi.
+## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Mapitio na Kujisomea
+
+Michoro ya mistari inaweza kuwa rahisi au ngumu sana. Soma kidogo katika [nyaraka za ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) kuhusu njia mbalimbali unazoweza kutumia kuzijenga. Jaribu kuboresha michoro ya mistari uliyotengeneza katika somo hili kwa kutumia mbinu nyingine zilizoorodheshwa katika nyaraka.
+## Kazi
+
+[Chunguza mzinga wa nyuki](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/sw/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..8a68490d
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-26T17:14:12+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "sw"
+}
+-->
+# Kutengeneza Uwasilishaji wa Takwimu Wenye Maana
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Uwasilishaji wa Takwimu Wenye Maana - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+> "Ukipachika takwimu kwa muda mrefu vya kutosha, zitakiri chochote" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Moja ya ujuzi wa msingi wa mwanasayansi wa takwimu ni uwezo wa kuunda uwasilishaji wa takwimu wenye maana unaosaidia kujibu maswali unayoweza kuwa nayo. Kabla ya kuwasilisha takwimu zako, unahitaji kuhakikisha kuwa zimefanyiwa usafi na maandalizi, kama ulivyofanya katika masomo yaliyopita. Baada ya hapo, unaweza kuanza kuamua jinsi bora ya kuwasilisha takwimu hizo.
+
+Katika somo hili, utapitia:
+
+1. Jinsi ya kuchagua aina sahihi ya chati  
+2. Jinsi ya kuepuka chati za kupotosha  
+3. Jinsi ya kutumia rangi  
+4. Jinsi ya kupangilia chati zako ili ziwe rahisi kusomeka  
+5. Jinsi ya kujenga suluhisho za chati za 3D au zenye uhuishaji  
+6. Jinsi ya kuunda uwasilishaji wa ubunifu  
+
+## [Jaribio la Kabla ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Chagua aina sahihi ya chati
+
+Katika masomo yaliyopita, ulijaribu kujenga aina mbalimbali za uwasilishaji wa takwimu kwa kutumia Matplotlib na Seaborn. Kwa ujumla, unaweza kuchagua [aina sahihi ya chati](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) kwa swali unalouliza kwa kutumia jedwali hili:
+
+| Unahitaji:                 | Unapaswa kutumia:               |
+| -------------------------- | ------------------------------- |
+| Kuonyesha mwenendo wa data kwa muda | Line                            |
+| Kulinganisha makundi       | Bar, Pie                        |
+| Kulinganisha jumla         | Pie, Stacked Bar                |
+| Kuonyesha uhusiano         | Scatter, Line, Facet, Dual Line |
+| Kuonyesha usambazaji       | Scatter, Histogram, Box         |
+| Kuonyesha uwiano           | Pie, Donut, Waffle              |
+
+> ✅ Kulingana na muundo wa data yako, unaweza kuhitaji kuibadilisha kutoka maandishi kwenda namba ili chati fulani iweze kuisapoti.
+
+## Epuka udanganyifu
+
+Hata kama mwanasayansi wa takwimu atakuwa makini kuchagua chati sahihi kwa data sahihi, kuna njia nyingi ambazo data inaweza kuwasilishwa kwa njia ya kuthibitisha hoja fulani, mara nyingi kwa gharama ya kudhoofisha data yenyewe. Kuna mifano mingi ya chati na infografiki za kupotosha!
+
+[![Jinsi Chati Zinavyodanganya na Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sw.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Jinsi chati zinavyodanganya")
+
+> 🎥 Bofya picha hapo juu kwa mazungumzo ya mkutano kuhusu chati za kupotosha
+
+Chati hii inageuza mhimili wa X ili kuonyesha kinyume cha ukweli, kulingana na tarehe:
+
+![chati mbaya 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sw.png)
+
+[Chati hii](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ni ya kupotosha zaidi, kwani jicho linaelekezwa upande wa kulia kuhitimisha kuwa, kwa muda, kesi za COVID zimepungua katika kaunti mbalimbali. Kwa kweli, ukitazama kwa makini tarehe, utagundua kuwa zimepangwa upya ili kuonyesha mwenendo wa kupungua ambao si wa kweli.
+
+![chati mbaya 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sw.jpg)
+
+Mfano huu maarufu unatumia rangi NA mhimili wa Y uliogeuzwa ili kudanganya: badala ya kuhitimisha kuwa vifo vya bunduki viliongezeka baada ya kupitishwa kwa sheria zinazounga mkono bunduki, jicho linadanganywa kufikiri kinyume chake:
+
+![chati mbaya 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sw.jpg)
+
+Chati hii ya ajabu inaonyesha jinsi uwiano unavyoweza kudanganywa, kwa njia ya kuchekesha:
+
+![chati mbaya 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sw.jpg)
+
+Kulinganisha vitu visivyolinganishika ni mbinu nyingine ya hila. Kuna [tovuti nzuri](https://tylervigen.com/spurious-correlations) inayohusu 'uwiano wa uongo' ikionyesha 'ukweli' unaohusisha mambo kama kiwango cha talaka huko Maine na matumizi ya siagi ya margarine. Kikundi cha Reddit pia hukusanya [matumizi mabaya](https://www.reddit.com/r/dataisugly/top/?t=all) ya data.
+
+Ni muhimu kuelewa jinsi jicho linavyoweza kudanganywa kwa urahisi na chati za kupotosha. Hata kama nia ya mwanasayansi wa takwimu ni nzuri, uchaguzi wa aina mbaya ya chati, kama chati ya pie inayoonyesha makundi mengi sana, unaweza kupotosha.
+
+## Rangi
+
+Umeona katika chati ya 'vurugu za bunduki Florida' jinsi rangi inavyoweza kutoa maana ya ziada kwa chati, hasa zile ambazo hazijatengenezwa kwa kutumia maktaba kama ggplot2 na RColorBrewer ambazo zina maktaba mbalimbali za rangi zilizothibitishwa. Ikiwa unaunda chati kwa mkono, fanya utafiti kidogo wa [nadharia ya rangi](https://colormatters.com/color-and-design/basic-color-theory)
+
+> ✅ Kuwa makini, unapounda chati, kwamba upatikanaji ni kipengele muhimu cha uwasilishaji. Baadhi ya watumiaji wako wanaweza kuwa na upofu wa rangi - je, chati yako inaonyeshwa vizuri kwa watumiaji wenye ulemavu wa kuona?
+
+Kuwa mwangalifu unapochagua rangi kwa chati yako, kwani rangi inaweza kuwasilisha maana ambayo hukusudia. 'Pink ladies' katika chati ya 'urefu' hapo juu zinaonyesha maana ya 'kike' ambayo inaongeza hali ya ajabu ya chati yenyewe.
+
+Ingawa [maana ya rangi](https://colormatters.com/color-symbolism/the-meanings-of-colors) inaweza kuwa tofauti katika sehemu mbalimbali za dunia, na huwa zinabadilika kulingana na kivuli chake. Kwa ujumla, maana za rangi ni pamoja na:
+
+| Rangi   | Maana               |
+| ------- | ------------------- |
+| nyekundu | nguvu               |
+| bluu    | uaminifu, uaminifu  |
+| njano   | furaha, tahadhari   |
+| kijani  | mazingira, bahati, wivu |
+| zambarau | furaha              |
+| machungwa | nguvu              |
+
+Ikiwa umepewa jukumu la kujenga chati yenye rangi maalum, hakikisha kuwa chati zako ni rahisi kufikiwa na rangi unayochagua inalingana na maana unayojaribu kuwasilisha.
+
+## Kupangilia chati zako ili ziwe rahisi kusomeka
+
+Chati hazina maana ikiwa hazisomeki! Chukua muda wa kuzingatia kupangilia upana na urefu wa chati yako ili ziendane vizuri na data yako. Ikiwa kipengele kimoja (kama majimbo yote 50) kinahitaji kuonyeshwa, yaonyeshe wima kwenye mhimili wa Y ikiwa inawezekana ili kuepuka chati inayosogea mlalo.
+
+Weka lebo kwenye mhimili wako, toa ufafanuzi ikiwa ni lazima, na toa vidokezo vya zana kwa uelewa bora wa data.
+
+Ikiwa data yako ni ya maandishi na ndefu kwenye mhimili wa X, unaweza kuipangilia kwa pembe kwa usomaji bora. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) inatoa uwezekano wa kuchora kwa 3D, ikiwa data yako inaunga mkono. Uwasilishaji wa takwimu wa hali ya juu unaweza kuzalishwa kwa kutumia maktaba hii.
+
+![chati za 3D](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sw.png)
+
+## Uhuishaji na maonyesho ya chati za 3D
+
+Baadhi ya uwasilishaji bora wa takwimu leo ni wa kuhuishwa. Shirley Wu ana mifano ya kushangaza iliyofanywa na D3, kama '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ambapo kila ua ni uwasilishaji wa filamu. Mfano mwingine kwa Guardian ni 'bussed out', uzoefu wa maingiliano unaochanganya uwasilishaji na Greensock na D3 pamoja na makala ya scrollytelling kuonyesha jinsi NYC inavyoshughulikia tatizo la watu wasio na makazi kwa kuwahamisha nje ya jiji.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sw.png)
+
+> "Bussed Out: Jinsi Marekani Inavyohamisha Watu Wasio na Makazi" kutoka [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Uwasilishaji na Nadieh Bremer & Shirley Wu
+
+Ingawa somo hili halitoshi kufundisha kwa kina maktaba hizi zenye nguvu za uwasilishaji, jaribu kutumia D3 katika programu ya Vue.js kwa kutumia maktaba kuonyesha uwasilishaji wa kitabu "Dangerous Liaisons" kama mtandao wa kijamii uliobuniwa.
+
+> "Les Liaisons Dangereuses" ni riwaya ya barua, au riwaya iliyowasilishwa kama mfululizo wa barua. Iliandikwa mwaka 1782 na Choderlos de Laclos, inasimulia hadithi ya hila za kijamii za wahusika wawili wa tabaka la kifalme la Ufaransa mwishoni mwa karne ya 18, Vicomte de Valmont na Marquise de Merteuil. Wote wawili wanakutana na mwisho wao lakini si kabla ya kusababisha madhara makubwa ya kijamii. Riwaya inafunguka kama mfululizo wa barua zilizoandikwa kwa watu mbalimbali katika mzunguko wao, wakipanga kulipiza kisasi au kuleta matatizo. Unda uwasilishaji wa barua hizi kugundua wahusika wakuu wa hadithi, kwa njia ya kuona.
+
+Utakamilisha programu ya wavuti ambayo itaonyesha mtazamo wa kuhuishwa wa mtandao huu wa kijamii. Inatumia maktaba iliyojengwa kuunda [uwasilishaji wa mtandao](https://github.com/emiliorizzo/vue-d3-network) kwa kutumia Vue.js na D3. Wakati programu inafanya kazi, unaweza kuvuta nodi kwenye skrini ili kupanga upya data.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sw.png)
+
+## Mradi: Jenga chati kuonyesha mtandao kwa kutumia D3.js
+
+> Folda ya somo hili inajumuisha folda ya `solution` ambapo unaweza kupata mradi uliokamilika, kwa marejeleo yako.
+
+1. Fuata maelekezo katika faili la README.md lililopo kwenye mzizi wa folda ya kuanzia. Hakikisha una NPM na Node.js zikifanya kazi kwenye mashine yako kabla ya kusakinisha utegemezi wa mradi wako.
+
+2. Fungua folda ya `starter/src`. Utakuta folda ya `assets` ambapo unaweza kupata faili ya .json yenye barua zote kutoka kwenye riwaya, zikiwa zimeorodheshwa, na maelezo ya 'to' na 'from'.
+
+3. Kamilisha msimbo katika `components/Nodes.vue` kuwezesha uwasilishaji. Tafuta njia inayoitwa `createLinks()` na ongeza kitanzi kilichopachikwa hapa chini.
+
+Pitia kitu cha .json ili kukamata data ya 'to' na 'from' kwa barua na kujenga kitu cha `links` ili maktaba ya uwasilishaji iweze kuitumia:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Endesha programu yako kutoka kwenye terminal (npm run serve) na ufurahie uwasilishaji!
+
+## 🚀 Changamoto
+
+Fanya ziara ya mtandao kugundua uwasilishaji wa takwimu za kupotosha. Je, mwandishi anamdanganya mtumiaji kwa njia gani, na je, ni kwa makusudi? Jaribu kurekebisha uwasilishaji ili kuonyesha jinsi unavyopaswa kuonekana.
+
+## [Jaribio la Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Mapitio na Kujisomea
+
+Hapa kuna makala za kusoma kuhusu uwasilishaji wa takwimu za kupotosha:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Tazama uwasilishaji huu wa kuvutia wa mali na mabaki ya kihistoria:
+
+https://handbook.pubpub.org/
+
+Pitia makala hii kuhusu jinsi uhuishaji unavyoweza kuboresha uwasilishaji wako:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Kazi
+
+[Jenga uwasilishaji wako wa kipekee](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asilia katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/3-Data-Visualization/README.md b/translations/sw/3-Data-Visualization/README.md
new file mode 100644
index 00000000..d46a3c96
--- /dev/null
+++ b/translations/sw/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-26T16:40:41+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "sw"
+}
+-->
+# Uakisi
+
+![nyuki juu ya ua la lavenda](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sw.jpg)
+> Picha na <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> kwenye <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Kuakisi data ni moja ya kazi muhimu zaidi kwa mwanasayansi wa data. Picha zina thamani ya maneno 1000, na uakisi unaweza kukusaidia kutambua aina zote za sehemu za kuvutia katika data yako kama vile miinuko, data zisizo za kawaida, makundi, mwelekeo, na zaidi, ambavyo vinaweza kukusaidia kuelewa hadithi ambayo data yako inajaribu kusimulia.
+
+Katika masomo haya matano, utachunguza data iliyotokana na asili na kuunda uakisi wa kuvutia na wa kupendeza kwa kutumia mbinu mbalimbali.
+
+| Namba ya Mada | Mada | Somo Lililounganishwa | Mwandishi |
+| :-----------: | :--: | :------------------: | :-------: |
+| 1. | Kuakisi idadi | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Kuakisi usambazaji | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Kuakisi uwiano | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Kuakisi mahusiano | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Kuunda Uakisi wa Maana | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Shukrani
+
+Masomo haya ya uakisi yaliandikwa kwa 🌸 na [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) na [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Data ya Uzalishaji wa Asali Marekani imetolewa kutoka mradi wa Jessica Li kwenye [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Data](https://usda.library.cornell.edu/concern/publications/rn301137d) hii imetokana na [Idara ya Kilimo ya Marekani](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Data ya uyoga pia imetolewa kutoka [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) iliyorekebishwa na Hatteras Dunton. Seti hii ya data inajumuisha maelezo ya sampuli za kinadharia zinazohusiana na spishi 23 za uyoga wenye mapezi katika Familia ya Agaricus na Lepiota. Uyoga ulitolewa kutoka kwa The Audubon Society Field Guide to North American Mushrooms (1981). Seti hii ya data ilitolewa kwa UCI ML 27 mwaka 1987.
+
+🦆 Data ya Ndege wa Minnesota imetoka [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) iliyokusanywa kutoka [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) na Hannah Collins.
+
+Seti hizi zote za data zimetolewa chini ya leseni ya [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/sw/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..6023f5e8
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-26T16:21:56+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "sw"
+}
+-->
+# Utangulizi wa Mzunguko wa Sayansi ya Takwimu
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Utangulizi wa Mzunguko wa Sayansi ya Takwimu - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+## [Maswali ya Awali ya Somo](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+Kwa sasa, huenda umeshagundua kuwa sayansi ya takwimu ni mchakato. Mchakato huu unaweza kugawanywa katika hatua 5:
+
+- Kukusanya
+- Kuchakata
+- Kuchambua
+- Kuwasilisha
+- Kudumisha
+
+Somo hili linazingatia sehemu 3 za mzunguko: kukusanya, kuchakata, na kudumisha.
+
+![Mchoro wa mzunguko wa sayansi ya takwimu](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sw.jpg)  
+> Picha na [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Kukusanya
+
+Hatua ya kwanza ya mzunguko ni muhimu sana kwani hatua zinazofuata zinategemea hii. Kimsingi, ni hatua mbili zilizojumuishwa kuwa moja: kupata data na kufafanua madhumuni na matatizo yanayohitaji kushughulikiwa.  
+Kufafanua malengo ya mradi kutahitaji muktadha wa kina kuhusu tatizo au swali. Kwanza, tunahitaji kutambua na kupata wale wanaohitaji tatizo lao kutatuliwa. Hawa wanaweza kuwa wadau wa biashara au wadhamini wa mradi, ambao wanaweza kusaidia kutambua nani au nini kitafaidika na mradi huu pamoja na kile wanachohitaji na kwa nini wanakihitaji. Lengo lililofafanuliwa vizuri linapaswa kuwa la kupimika na la kuhesabika ili kufafanua matokeo yanayokubalika.
+
+Maswali ambayo mtaalamu wa takwimu anaweza kuuliza:
+- Je, tatizo hili limewahi kushughulikiwa hapo awali? Nini kiligunduliwa?
+- Je, madhumuni na lengo vinaeleweka na wote wanaohusika?
+- Je, kuna ukungu wowote na jinsi ya kuupunguza?
+- Vikwazo ni vipi?
+- Matokeo ya mwisho yanaweza kuonekana vipi?
+- Kuna rasilimali kiasi gani (muda, watu, kompyuta) zinazopatikana?
+
+Hatua inayofuata ni kutambua, kukusanya, na hatimaye kuchunguza data inayohitajika kufanikisha malengo haya yaliyofafanuliwa. Katika hatua hii ya upatikanaji, wataalamu wa takwimu wanapaswa pia kutathmini wingi na ubora wa data. Hii inahitaji uchunguzi wa data ili kuthibitisha kuwa kile kilichopatikana kitasaidia kufikia matokeo yanayotarajiwa.
+
+Maswali ambayo mtaalamu wa takwimu anaweza kuuliza kuhusu data:
+- Ni data gani tayari ninayo?
+- Nani anamiliki data hii?
+- Kuna wasiwasi gani kuhusu faragha?
+- Je, nina data ya kutosha kutatua tatizo hili?
+- Je, data ina ubora unaokubalika kwa tatizo hili?
+- Ikiwa nitagundua taarifa za ziada kupitia data hii, je, tunapaswa kuzingatia kubadilisha au kufafanua upya malengo?
+
+## Kuchakata
+
+Hatua ya kuchakata katika mzunguko inazingatia kugundua mifumo katika data pamoja na uundaji wa mifano. Baadhi ya mbinu zinazotumika katika hatua ya kuchakata zinahitaji mbinu za takwimu ili kufichua mifumo. Kwa kawaida, hili lingekuwa kazi ngumu kwa binadamu kufanya na seti kubwa ya data, na hivyo kutegemea kompyuta kufanya kazi nzito ili kuharakisha mchakato. Hatua hii pia ni mahali ambapo sayansi ya takwimu na ujifunzaji wa mashine zinakutana. Kama ulivyojifunza katika somo la kwanza, ujifunzaji wa mashine ni mchakato wa kujenga mifano ili kuelewa data. Mifano ni uwakilishi wa uhusiano kati ya vigezo katika data vinavyosaidia kutabiri matokeo.
+
+Mbinu za kawaida zinazotumika katika hatua hii zimefunikwa katika mtaala wa ML kwa Kompyuta. Fuata viungo ili kujifunza zaidi kuhusu mbinu hizi:
+
+- [Uainishaji](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Kuandaa data katika makundi kwa matumizi bora zaidi.
+- [Kuweka Vikundi](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Kuunda vikundi vya data vinavyofanana.
+- [Urejeshi](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Kuamua uhusiano kati ya vigezo ili kutabiri au kutabiri thamani.
+
+## Kudumisha
+
+Katika mchoro wa mzunguko, unaweza kuwa umeona kuwa kudumisha kunakaa kati ya kukusanya na kuchakata. Kudumisha ni mchakato unaoendelea wa kusimamia, kuhifadhi, na kulinda data katika mchakato mzima wa mradi na inapaswa kuzingatiwa katika kipindi chote cha mradi.
+
+### Kuhifadhi Data
+
+Masuala ya jinsi na wapi data inahifadhiwa yanaweza kuathiri gharama ya uhifadhi wake pamoja na utendaji wa jinsi data inavyoweza kufikiwa haraka. Maamuzi kama haya hayafanywi na mtaalamu wa takwimu pekee, lakini wanaweza kujikuta wakifanya chaguo kuhusu jinsi ya kufanya kazi na data kulingana na jinsi inavyohifadhiwa.
+
+Hapa kuna vipengele vya mifumo ya kisasa ya uhifadhi wa data vinavyoweza kuathiri chaguo hizi:
+
+**Kwenye eneo la kazi vs nje ya eneo la kazi vs wingu la umma au la kibinafsi**
+
+Kwenye eneo la kazi inahusu kuhifadhi na kusimamia data kwenye vifaa vyako mwenyewe, kama vile kumiliki seva yenye diski ngumu zinazohifadhi data, wakati nje ya eneo la kazi inategemea vifaa ambavyo huvimiliki, kama vile kituo cha data. Wingu la umma ni chaguo maarufu kwa kuhifadhi data linalohitaji maarifa kidogo kuhusu jinsi au wapi data inahifadhiwa hasa, ambapo umma inahusu miundombinu ya msingi iliyounganishwa inayoshirikiwa na wote wanaotumia wingu. Baadhi ya mashirika yana sera kali za usalama zinazohitaji kuwa na ufikiaji kamili wa vifaa ambapo data inahifadhiwa na hivyo kutegemea wingu la kibinafsi linalotoa huduma zake za wingu. Utajifunza zaidi kuhusu data katika wingu katika [masomo ya baadaye](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Data baridi vs data moto**
+
+Unapofundisha mifano yako, unaweza kuhitaji data zaidi ya mafunzo. Ikiwa unaridhika na mfano wako, data zaidi itafika ili mfano utimize kusudi lake. Kwa hali yoyote, gharama ya kuhifadhi na kufikia data itaongezeka unavyokusanya zaidi. Kutenganisha data inayotumika mara chache, inayojulikana kama data baridi, kutoka kwa data inayofikiwa mara kwa mara, inayojulikana kama data moto, inaweza kuwa chaguo la bei nafuu la uhifadhi wa data kupitia vifaa au huduma za programu. Ikiwa data baridi inahitaji kufikiwa, inaweza kuchukua muda kidogo zaidi kuipata ikilinganishwa na data moto.
+
+### Kusimamia Data
+
+Unapofanya kazi na data, unaweza kugundua kuwa baadhi ya data inahitaji kusafishwa kwa kutumia baadhi ya mbinu zilizofunikwa katika somo linalozingatia [maandalizi ya data](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) ili kujenga mifano sahihi. Data mpya inapofika, itahitaji matumizi sawa ili kudumisha uthabiti wa ubora. Baadhi ya miradi itahusisha matumizi ya zana ya kiotomatiki kwa kusafisha, kujumlisha, na kubana kabla ya data kuhamishwa hadi eneo lake la mwisho. Azure Data Factory ni mfano wa moja ya zana hizi.
+
+### Kulinda Data
+
+Moja ya malengo makuu ya kulinda data ni kuhakikisha kuwa wale wanaofanya kazi nayo wanadhibiti kile kinachokusanywa na katika muktadha gani kinatumika. Kuweka data salama kunahusisha kupunguza ufikiaji kwa wale tu wanaohitaji, kufuata sheria na kanuni za ndani, pamoja na kudumisha viwango vya maadili, kama ilivyofunikwa katika [somo la maadili](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Hapa kuna mambo ambayo timu inaweza kufanya kwa kuzingatia usalama:
+- Kuhakikisha kuwa data yote imefichwa
+- Kuwapa wateja taarifa kuhusu jinsi data yao inavyotumika
+- Kuondoa ufikiaji wa data kwa wale walioacha mradi
+- Kuruhusu wanachama fulani tu wa mradi kubadilisha data
+
+## 🚀 Changamoto
+
+Kuna matoleo mengi ya Mzunguko wa Sayansi ya Takwimu, ambapo kila hatua inaweza kuwa na majina tofauti na idadi ya hatua lakini itakuwa na michakato sawa iliyotajwa ndani ya somo hili.
+
+Chunguza [Mzunguko wa Mchakato wa Timu ya Sayansi ya Takwimu](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) na [Mchakato wa Kawaida wa Viwanda kwa Uchimbaji wa Takwimu](https://www.datascience-pm.com/crisp-dm-2/). Taja mambo 3 yanayofanana na tofauti kati ya miwili.
+
+|Mchakato wa Timu ya Sayansi ya Takwimu (TDSP)|Mchakato wa Kawaida wa Viwanda kwa Uchimbaji wa Takwimu (CRISP-DM)|
+|--|--|
+|![Mzunguko wa Timu ya Sayansi ya Takwimu](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sw.png) | ![Picha ya Muungano wa Mchakato wa Sayansi ya Takwimu](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sw.png) |
+| Picha na [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Picha na [Muungano wa Mchakato wa Sayansi ya Takwimu](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Maswali ya Baada ya Somo](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Mapitio na Kujisomea
+
+Kutumia Mzunguko wa Sayansi ya Takwimu kunahusisha majukumu na kazi nyingi, ambapo baadhi zinaweza kuzingatia sehemu fulani za kila hatua. Mchakato wa Timu ya Sayansi ya Takwimu hutoa rasilimali chache zinazofafanua aina za majukumu na kazi ambazo mtu anaweza kuwa nazo katika mradi.
+
+* [Majukumu na kazi za Mchakato wa Timu ya Sayansi ya Takwimu](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)  
+* [Tekeleza kazi za sayansi ya takwimu: uchunguzi, uundaji, na utekelezaji](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Kazi
+
+[Kutathmini Seti ya Data](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/sw/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..28be70ff
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-26T16:27:27+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kutathmini Seti ya Data
+
+Mteja amewasiliana na timu yako kwa msaada wa kuchunguza tabia za matumizi ya msimu za wateja wa teksi huko New York City.
+
+Wanataka kujua: **Je, abiria wa teksi za njano huko New York City huwapa madereva bakshishi zaidi wakati wa msimu wa baridi au msimu wa joto?**
+
+Timu yako iko katika hatua ya [Capturing](Readme.md#Capturing) ya Mzunguko wa Sayansi ya Data, na wewe unahusika na kushughulikia seti ya data. Umepewa daftari na [data](../../../../data/taxi.csv) ili kuchunguza.
+
+Katika saraka hii kuna [daftari](notebook.ipynb) linalotumia Python kupakia data ya safari za teksi za njano kutoka kwa [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets).
+Unaweza pia kufungua faili ya data ya teksi kwa kutumia mhariri wa maandishi au programu ya lahajedwali kama Excel.
+
+## Maelekezo
+
+- Tathmini kama data katika seti hii inaweza kusaidia kujibu swali.
+- Chunguza [katalogi ya NYC Open Data](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Tambua seti ya data ya ziada ambayo inaweza kuwa na manufaa katika kujibu swali la mteja.
+- Andika maswali 3 ambayo ungeuliza mteja kwa ufafanuzi zaidi na uelewa bora wa tatizo.
+
+Rejelea [kamusi ya seti ya data](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) na [mwongozo wa mtumiaji](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) kwa maelezo zaidi kuhusu data.
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | ---
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/sw/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..fdd55212
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,60 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-26T16:28:45+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "sw"
+}
+-->
+# Mzunguko wa Sayansi ya Takwimu: Kuchambua
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Mzunguko wa Sayansi ya Takwimu: Kuchambua - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+## Maswali ya Awali ya Somo
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+Kuchambua katika mzunguko wa takwimu kunathibitisha kuwa takwimu zinaweza kujibu maswali yaliyopendekezwa au kutatua tatizo fulani. Hatua hii pia inaweza kuzingatia kuthibitisha kuwa modeli inashughulikia maswali na matatizo haya kwa usahihi. Somo hili linazingatia Uchambuzi wa Takwimu wa Kichunguzi au EDA, ambao ni mbinu za kufafanua vipengele na uhusiano ndani ya takwimu na zinaweza kutumika kuandaa takwimu kwa ajili ya modeli.
+
+Tutatumia seti ya takwimu kutoka [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) kuonyesha jinsi hili linaweza kutekelezwa kwa kutumia Python na maktaba ya Pandas. Seti hii ya takwimu ina hesabu ya maneno ya kawaida yanayopatikana kwenye barua pepe, vyanzo vya barua pepe hizi ni vya siri. Tumia [notebook](notebook.ipynb) katika jalada hili kufuatilia.
+
+## Uchambuzi wa Takwimu wa Kichunguzi
+
+Hatua ya kukusanya katika mzunguko ni pale takwimu zinapopatikana pamoja na matatizo na maswali yanayohusika, lakini tunajuaje kama takwimu zinaweza kusaidia kufanikisha matokeo ya mwisho? 
+Kumbuka kuwa mtaalamu wa takwimu anaweza kuuliza maswali yafuatayo wanapopata takwimu:
+- Je, nina takwimu za kutosha kutatua tatizo hili?
+- Je, takwimu ni za ubora unaokubalika kwa tatizo hili?
+- Ikiwa nitagundua taarifa za ziada kupitia takwimu hizi, je, tunapaswa kuzingatia kubadilisha au kufafanua malengo?
+Uchambuzi wa Takwimu wa Kichunguzi ni mchakato wa kufahamu takwimu hizo na unaweza kutumika kujibu maswali haya, pamoja na kutambua changamoto za kufanya kazi na seti ya takwimu. Hebu tuzingatie baadhi ya mbinu zinazotumika kufanikisha hili.
+
+## Uwasilishaji wa Takwimu, Takwimu za Maelezo, na Pandas
+Tunathibitishaje kama tuna takwimu za kutosha kutatua tatizo hili? Uwasilishaji wa takwimu unaweza kufupisha na kukusanya taarifa za jumla kuhusu seti yetu ya takwimu kupitia mbinu za takwimu za maelezo. Uwasilishaji wa takwimu hutusaidia kuelewa kile kilichopo, na takwimu za maelezo hutusaidia kuelewa ni vitu vingapi vilivyopo.
+
+Katika baadhi ya masomo ya awali, tumetumia Pandas kutoa takwimu za maelezo kwa kutumia [`describe()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Inatoa hesabu, thamani za juu na za chini, wastani, upotofu wa kawaida na viwango vya asilimia kwenye takwimu za namba. Kutumia takwimu za maelezo kama `describe()` function kunaweza kukusaidia kutathmini kiasi cha takwimu ulizonazo na kama unahitaji zaidi.
+
+## Sampuli na Uulizaji
+Kuchunguza kila kitu katika seti kubwa ya takwimu kunaweza kuchukua muda mwingi na ni kazi ambayo mara nyingi huachwa kwa kompyuta kufanya. Hata hivyo, sampuli ni zana muhimu katika kuelewa takwimu na inatuwezesha kuwa na ufahamu bora wa kile kilichopo kwenye seti ya takwimu na kile inachowakilisha. Kwa kutumia sampuli, unaweza kutumia uwezekano na takwimu kufikia hitimisho la jumla kuhusu takwimu zako. Ingawa hakuna sheria iliyofafanuliwa kuhusu kiasi cha takwimu unachopaswa kuchukua sampuli, ni muhimu kutambua kuwa kadri unavyotoa sampuli zaidi, ndivyo unavyoweza kufanya uelewa wa jumla wa takwimu kwa usahihi zaidi.
+Pandas ina [`sample()` function katika maktaba yake](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) ambapo unaweza kupitisha hoja ya idadi ya sampuli za nasibu unazotaka kupokea na kutumia.
+
+Uulizaji wa jumla wa takwimu unaweza kukusaidia kujibu maswali na nadharia za jumla ulizonazo. Tofauti na sampuli, uulizaji unakuruhusu kuwa na udhibiti na kuzingatia sehemu maalum za takwimu ambazo una maswali kuhusu. 
+[`query()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) katika maktaba ya Pandas inakuruhusu kuchagua safu na kupokea majibu rahisi kuhusu takwimu kupitia safu zilizopatikana.
+
+## Kuchunguza kwa Kutumia Taswira
+Huna haja ya kusubiri hadi takwimu zimesafishwa kabisa na kuchambuliwa ili kuanza kuunda taswira. Kwa kweli, kuwa na uwakilishi wa kuona wakati wa kuchunguza kunaweza kusaidia kutambua mifumo, uhusiano, na matatizo katika takwimu. Zaidi ya hayo, taswira hutoa njia ya mawasiliano na wale ambao hawahusiki moja kwa moja na usimamizi wa takwimu na inaweza kuwa fursa ya kushiriki na kufafanua maswali ya ziada ambayo hayakushughulikiwa katika hatua ya kukusanya. Rejelea [sehemu ya Taswira](../../../../../../../../../3-Data-Visualization) kujifunza zaidi kuhusu njia maarufu za kuchunguza kwa kuona.
+
+## Kuchunguza ili Kutambua Kutokuwepo kwa Muafaka
+Mada zote katika somo hili zinaweza kusaidia kutambua thamani zilizokosekana au zisizo thabiti, lakini Pandas inatoa kazi za kuangalia baadhi ya hizi. [isna() au isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) zinaweza kuangalia thamani zilizokosekana. Kipengele muhimu cha kuchunguza thamani hizi ndani ya takwimu zako ni kuchunguza kwa nini zilifikia hali hiyo mwanzoni. Hii inaweza kukusaidia kuamua ni [hatua gani za kuchukua ili kuzitatua](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Kazi
+
+[Kuchunguza Majibu](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/sw/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..6b4662fa
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-26T16:31:12+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Kuchunguza Majibu
+
+Hii ni mwendelezo wa [kazi](../14-Introduction/assignment.md) ya somo lililopita, ambapo tulichunguza kwa ufupi seti ya data. Sasa tutachunguza kwa undani zaidi data hiyo.
+
+Tena, swali ambalo mteja anataka kujua: **Je, abiria wa teksi za njano katika Jiji la New York huwapa madereva bakshishi zaidi wakati wa baridi au kiangazi?**
+
+Timu yako iko katika hatua ya [Kuchambua](README.md) ya Mzunguko wa Sayansi ya Takwimu, ambapo unawajibika kufanya uchambuzi wa data wa kielelezo kwenye seti ya data. Umepewa daftari na seti ya data inayojumuisha miamala 200 ya teksi kutoka Januari na Julai 2019.
+
+## Maelekezo
+
+Katika saraka hii kuna [daftari](assignment.ipynb) na data kutoka [Tume ya Teksi na Limousine](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Rejelea [kamusi ya seti ya data](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) na [mwongozo wa mtumiaji](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) kwa maelezo zaidi kuhusu data.
+
+Tumia baadhi ya mbinu katika somo hili kufanya uchambuzi wako wa kielelezo kwenye daftari (ongeza seli ikiwa unataka) na jibu maswali yafuatayo:
+
+- Ni ushawishi gani mwingine katika data unaweza kuathiri kiasi cha bakshishi?
+- Ni safu zipi ambazo huenda hazihitajiki kujibu maswali ya mteja?
+- Kwa kuzingatia kile kilichotolewa hadi sasa, je, data inaonekana kutoa ushahidi wowote wa tabia ya bakshishi kulingana na msimu?
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | ---
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/16-communication/README.md b/translations/sw/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..09ad36b5
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,229 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-26T16:32:26+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "sw"
+}
+-->
+# Mzunguko wa Maisha wa Sayansi ya Takwimu: Mawasiliano
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Mzunguko wa Maisha wa Sayansi ya Takwimu: Mawasiliano - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+## [Jaribio la Kabla ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Pima ujuzi wako wa kile kitakachokuja kupitia Jaribio la Kabla ya Somo hapo juu!
+
+# Utangulizi
+
+### Mawasiliano ni nini?
+Tuanze somo hili kwa kufafanua maana ya kuwasiliana. **Kuwasiliana ni kufikisha au kubadilishana taarifa.** Taarifa inaweza kuwa mawazo, fikra, hisia, ujumbe, ishara za siri, data – chochote ambacho **_mtumaji_** (anayetoa taarifa) anataka **_mpokeaji_** (anayepokea taarifa) aelewe. Katika somo hili, tutarejelea watumaji kama watoa mawasiliano, na wapokeaji kama hadhira.
+
+### Mawasiliano ya Takwimu na Kusimulia Hadithi
+Tunafahamu kwamba lengo la mawasiliano ni kufikisha au kubadilishana taarifa. Lakini unapowasilisha takwimu, lengo lako halipaswi kuwa tu kufikisha namba kwa hadhira yako. Lengo lako linapaswa kuwa kuwasilisha hadithi inayotokana na takwimu zako - mawasiliano bora ya takwimu na kusimulia hadithi vinakwenda sambamba. Hadhira yako ina uwezekano mkubwa wa kukumbuka hadithi unayosimulia kuliko namba unazotoa. Baadaye katika somo hili, tutajadili njia kadhaa za kutumia kusimulia hadithi ili kuwasilisha takwimu zako kwa ufanisi zaidi.
+
+### Aina za Mawasiliano
+Katika somo hili, aina mbili tofauti za mawasiliano zitajadiliwa: Mawasiliano ya Njia Moja na Mawasiliano ya Njia Mbili.
+
+**Mawasiliano ya njia moja** hutokea pale ambapo mtumaji anatoa taarifa kwa mpokeaji bila maoni au majibu yoyote. Tunakutana na mifano ya mawasiliano ya njia moja kila siku – katika barua pepe za wingi, habari zinapotoa taarifa za hivi karibuni, au hata matangazo ya televisheni yanapokuja na kukuambia kwa nini bidhaa yao ni bora. Katika kila moja ya matukio haya, mtumaji hatarajii kubadilishana taarifa. Wanatafuta tu kufikisha au kutoa taarifa.
+
+**Mawasiliano ya njia mbili** hutokea pale ambapo pande zote zinazohusika zinachukua nafasi ya kuwa watumaji na wapokeaji. Mtumaji huanza kwa kuwasiliana na mpokeaji, na mpokeaji hutoa maoni au majibu. Mawasiliano ya njia mbili ndiyo tunafikiria kwa kawaida tunapozungumzia mawasiliano. Tunafikiria watu wakizungumza - ama ana kwa ana, au kupitia simu, mitandao ya kijamii, au ujumbe wa maandishi.
+
+Unapowasilisha takwimu, kutakuwa na matukio ambapo utatumia mawasiliano ya njia moja (fikiri kuhusu kuwasilisha kwenye mkutano mkubwa ambapo maswali hayataulizwa moja kwa moja) na kutakuwa na matukio ambapo utatumia mawasiliano ya njia mbili (fikiri kuhusu kutumia takwimu kushawishi wadau wachache au kushawishi mwenzako kwamba muda na juhudi zinapaswa kutumika kujenga kitu kipya).
+
+# Mawasiliano Yenye Ufanisi
+
+### Majukumu Yako kama Mtoa Mawasiliano
+Unapowasiliana, ni jukumu lako kuhakikisha kwamba mpokeaji wako anachukua taarifa unayotaka achukue. Unapowasilisha takwimu, hutaki tu wapokeaji wako wachukue namba, unataka wachukue hadithi inayotokana na takwimu zako. Mtoa mawasiliano mzuri wa takwimu ni msimuliaji mzuri wa hadithi.
+
+Je, unasimuliaje hadithi kwa kutumia takwimu? Kuna njia zisizo na kikomo – lakini hapa chini kuna sita ambazo tutazungumzia katika somo hili.
+1. Elewa Hadhira Yako, Njia Yako, na Mbinu Yako ya Mawasiliano
+2. Anza na Mwisho Akilini
+3. Karibia Kama Hadithi Halisi
+4. Tumia Maneno na Misemo Yenye Maana
+5. Tumia Hisia
+
+Kila moja ya mikakati hii imeelezwa kwa undani zaidi hapa chini.
+
+### 1. Elewa Hadhira Yako, Njia Yako, na Mbinu Yako ya Mawasiliano
+Njia unayowasiliana na wanafamilia wako ina uwezekano mkubwa wa kuwa tofauti na njia unayowasiliana na marafiki zako. Huenda unatumia maneno na misemo tofauti ambayo watu unaozungumza nao wana uwezekano mkubwa wa kuelewa. Unapaswa kuchukua mtazamo huo huo unapowasilisha takwimu. Fikiria kuhusu watu unaowasiliana nao. Fikiria kuhusu malengo yao na muktadha walionao kuhusu hali unayoelezea.
+
+Unaweza kugawanya hadhira yako katika makundi. Katika makala ya _Harvard Business Review_, “[Jinsi ya Kusimulia Hadithi kwa Takwimu](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/),” Mshauri wa Dell Jim Stikeleather anabainisha makundi matano ya hadhira.
+
+ - **Mwanzo**: mara ya kwanza kukutana na mada, lakini hawataki
+   maelezo ya kupita kiasi
+ - **Mjumla**: wanajua mada, lakini wanatafuta muhtasari wa
+   uelewa na mada kuu
+ - **Menejimenti**: uelewa wa kina, wa kutekelezeka wa undani na
+   uhusiano wa ndani na ufikiaji wa maelezo
+ - **Mtaalamu**: uchunguzi zaidi na ugunduzi na hadithi kidogo
+   na maelezo mengi
+ - **Mtendaji**: ana muda tu wa kuelewa umuhimu na hitimisho la
+   uwezekano uliopimwa
+
+Makundi haya yanaweza kuathiri jinsi unavyowasilisha takwimu kwa hadhira yako.
+
+Mbali na kufikiria kuhusu kundi la hadhira yako, unapaswa pia kuzingatia njia unayotumia kuwasiliana nao. Mbinu yako inapaswa kuwa tofauti kidogo ikiwa unaandika memo au barua pepe dhidi ya kuwa na mkutano au kuwasilisha kwenye mkutano.
+
+Zaidi ya kuelewa hadhira yako, kujua jinsi utakavyowasiliana nao (kutumia mawasiliano ya njia moja au njia mbili) pia ni muhimu.
+
+Ikiwa unawasiliana na hadhira ya Mwanzo kwa kutumia mawasiliano ya njia moja, lazima kwanza uelimishe hadhira na uwape muktadha sahihi. Kisha lazima uwasilishe takwimu zako kwao na uwaambie takwimu zako zinamaanisha nini na kwa nini zinahusika. Katika hali hii, unapaswa kuwa makini sana katika kuleta uwazi, kwa sababu hadhira yako haitakuwa na uwezo wa kukuuliza maswali moja kwa moja.
+
+Ikiwa unawasiliana na hadhira ya Menejimenti kwa kutumia mawasiliano ya njia mbili, huenda usihitaji kuelimisha hadhira yako au kuwapa muktadha mwingi. Unaweza kuanza moja kwa moja kujadili takwimu ulizokusanya na kwa nini zinahusika. Katika hali hii, unapaswa kuzingatia muda na kudhibiti uwasilishaji wako. Unapotumia mawasiliano ya njia mbili (hasa na hadhira ya Menejimenti inayotafuta "uelewa wa kutekelezeka wa undani na uhusiano wa ndani na ufikiaji wa maelezo") maswali yanaweza kutokea wakati wa mawasiliano ambayo yanaweza kuelekeza mjadala katika mwelekeo usiohusiana na hadithi unayojaribu kusimulia. Unapokutana na hali hii, unaweza kuchukua hatua na kurudisha mjadala kwenye hadithi yako.
+
+### 2. Anza na Mwisho Akilini
+Kuanzia na mwisho akilini kunamaanisha kuelewa mambo unayotaka hadhira yako ichukue kabla ya kuanza kuwasiliana nao. Kufikiria kwa makini kuhusu kile unachotaka hadhira yako ichukue mapema kunaweza kukusaidia kuunda hadithi ambayo hadhira yako inaweza kufuata. Kuanzia na mwisho akilini kunafaa kwa mawasiliano ya njia moja na njia mbili.
+
+Je, unaanzaje na mwisho akilini? Kabla ya kuwasilisha takwimu zako, andika mambo muhimu unayotaka hadhira yako ichukue. Kisha, kila hatua unapoandaa hadithi unayotaka kusimulia kwa takwimu zako, jiulize, "Hili linaingiliana vipi na hadithi ninayosimulia?"
+
+Kuwa Makini – Ingawa kuanza na mwisho akilini ni bora, hutaki kuwasilisha tu takwimu zinazounga mkono mambo unayotaka hadhira ichukue. Kufanya hivi kunaitwa Kuchagua kwa Upendeleo, ambapo mtoa mawasiliano anawasilisha tu takwimu zinazounga mkono hoja wanayojaribu kutoa na kupuuza takwimu nyingine zote.
+
+Ikiwa takwimu zote ulizokusanya zinaunga mkono mambo unayotaka hadhira ichukue, ni vizuri. Lakini ikiwa kuna takwimu ulizokusanya ambazo haziungi mkono mambo unayotaka hadhira ichukue, au hata zinaunga mkono hoja dhidi ya mambo muhimu unayotaka hadhira ichukue, unapaswa kuwasilisha takwimu hizo pia. Ikiwa hili linatokea, kuwa wazi kwa hadhira yako na uwajulishe kwa nini unachagua kuendelea na hadithi yako hata ingawa takwimu zote haziiungi mkono.
+
+### 3. Karibia Kama Hadithi Halisi
+Hadithi ya kawaida hutokea katika Awamu 5. Huenda umesikia awamu hizi zikielezwa kama Utangulizi, Hatua Zinazopanda, Kilele, Hatua Zinazoshuka, na Hitimisho. Au muktadha rahisi wa kukumbuka: Muktadha, Mgogoro, Kilele, Hitimisho, Muhtasari. Unapowasilisha takwimu zako na hadithi yako, unaweza kuchukua mtazamo sawa.
+
+Unaweza kuanza na muktadha, kuweka msingi na kuhakikisha hadhira yako iko kwenye ukurasa mmoja. Kisha ulete mgogoro. Kwa nini ulilazimika kukusanya takwimu hizi? Ni matatizo gani ulikuwa unajaribu kutatua? Baada ya hapo, kilele. Takwimu ni nini? Takwimu zinamaanisha nini? Suluhisho gani takwimu zinatuambia tunahitaji? Kisha unafikia hitimisho, ambapo unaweza kurudia tatizo, na suluhisho lililopendekezwa. Mwishowe, tunafikia muhtasari, ambapo unaweza kufupisha mambo muhimu na hatua zinazofuata unazopendekeza timu ichukue.
+
+### 4. Tumia Maneno na Misemo Yenye Maana
+Ikiwa mimi na wewe tunafanya kazi pamoja kwenye bidhaa, na nikakuambia "Watumiaji wetu wanachukua muda mrefu kujiunga na jukwaa letu," ungeweza kukadiria muda mrefu kuwa wa kiasi gani? Saa moja? Wiki moja? Ni vigumu kujua. Je, ikiwa ningesema hivyo kwa hadhira nzima? Kila mtu katika hadhira anaweza kuwa na wazo tofauti la muda gani watumiaji wanachukua kujiunga na jukwaa letu.
+
+Badala yake, vipi ikiwa nitasema "Watumiaji wetu wanachukua, kwa wastani, dakika 3 kujiandikisha na kujiunga na jukwaa letu."
+
+Ujumbe huo ni wazi zaidi. Unapowasilisha takwimu, inaweza kuwa rahisi kufikiria kwamba kila mtu katika hadhira yako anafikiria kama wewe. Lakini hiyo si mara zote hali halisi. Kuleta uwazi kuhusu takwimu zako na maana yake ni moja ya majukumu yako kama mtoa mawasiliano. Ikiwa takwimu au hadithi yako si wazi, hadhira yako itakuwa na wakati mgumu kufuata, na kuna uwezekano mdogo kwamba wataelewa mambo muhimu unayotaka wachukue.
+
+Unaweza kuwasilisha takwimu kwa uwazi zaidi unapowasilisha kwa kutumia maneno na misemo yenye maana, badala ya ile isiyoeleweka. Hapa chini kuna mifano michache.
+
+ - Tulikuwa na mwaka *mzuri sana*!
+	 - Mtu mmoja anaweza kufikiria mzuri sana unamaanisha ongezeko la 2% - 3% katika mapato, na mtu mwingine anaweza kufikiria unamaanisha ongezeko la 50% - 60%.
+ - Viwango vya mafanikio vya watumiaji wetu vimeongezeka *kwa kiasi kikubwa*.
+	 - Ongezeko la kiasi kikubwa ni kiasi gani?
+ - Jukumu hili litahitaji juhudi *kubwa*.
+	 - Juhudi kubwa ni kiasi gani?
+
+Kutumia maneno yasiyoeleweka kunaweza kuwa na manufaa kama utangulizi wa takwimu zaidi zinazokuja, au kama muhtasari wa hadithi uliyosimulia. Lakini fikiria kuhakikisha kwamba kila sehemu ya uwasilishaji wako ni wazi kwa hadhira yako.
+
+### 5. Tumia Hisia
+Hisia ni muhimu katika kusimulia hadithi. Ni muhimu zaidi unapokuwa unasimulia hadithi kwa kutumia takwimu. Unapowasilisha takwimu, kila kitu kinazingatia mambo unayotaka hadhira yako ichukue. Unapochochea hisia kwa hadhira, inawasaidia kuhusiana, na inawafanya kuwa na uwezekano mkubwa wa kuchukua hatua. Hisia pia huongeza uwezekano kwamba hadhira itakumbuka ujumbe wako.
+
+Huenda umekutana na hili hapo awali kupitia matangazo ya televisheni. Baadhi ya matangazo ni ya huzuni sana, na hutumia hisia za huzuni kuungana na hadhira yao na kufanya takwimu wanazowasilisha zionekane zaidi. Au, baadhi ya matangazo ni ya furaha sana na yenye nguvu, na yanaweza kukufanya uhusishe takwimu zao na hisia za furaha.
+
+Je, unatumiaje hisia unapowasilisha takwimu? Hapa chini kuna njia kadhaa.
+
+ - Tumia Ushuhuda na Hadithi za Kibinafsi
+	- Unapokusanya takwimu, jaribu kukusanya takwimu za kiasi na za ubora, na ujumuishe aina zote mbili za takwimu unapowasilisha. Ikiwa takwimu zako ni za kiasi zaidi, tafuta hadithi kutoka kwa watu binafsi ili kujifunza zaidi kuhusu uzoefu wao na kile takwimu zako zinakuambia.
+ - Tumia Picha
+	 - Picha husaidia hadhira kujiona katika hali fulani. Unapotumia
+	   picha, unaweza kusukuma hadhira kuelekea hisia unazohisi
+	   wanapaswa kuwa nazo kuhusu takwimu zako.
+ - Tumia Rangi
+	 - Rangi tofauti huchochea hisia tofauti. Rangi maarufu na hisia wanazochochea ziko hapa chini. Kuwa makini, kwamba rangi zinaweza kuwa na maana tofauti katika tamaduni tofauti.
+		 - Bluu mara nyingi huchochea hisia za amani na uaminifu
+		 - Kijani mara nyingi huhusiana na asili na mazingira
+		 - Nyekundu mara nyingi ni shauku na msisimko
+		 - Njano mara nyingi ni matumaini na furaha
+
+# Uchunguzi wa Kesi ya Mawasiliano
+Emerson ni Meneja wa Bidhaa kwa programu ya simu. Emerson amegundua kwamba wateja wanatoa malalamiko na ripoti za hitilafu kwa 42% zaidi wikendi. Emerson pia amegundua kwamba wateja wanaotoa malalamiko ambayo hayajajibiwa baada ya masaa 48 wana uwezekano wa 32% zaidi wa kutoa programu hiyo alama ya 1 au 2 kwenye duka la programu.
+
+Baada ya kufanya utafiti, Emerson ana suluhisho kadhaa ambazo zitashughulikia tatizo hilo. Emerson anaandaa mkutano wa dakika 30 na viongozi 3 wa kampuni ili kuwasilisha takwimu na suluhisho zilizopendekezwa.
+
+Wakati wa mkutano huu, lengo la Emerson ni kuhakikisha kwamba viongozi wa kampuni wanaelewa kwamba suluhisho 2 hapa chini zinaweza kuboresha alama ya programu, ambayo huenda ikatafsiriwa kuwa mapato ya juu.
+
+**Suluhisho 1.** Kuajiri wawakilishi wa huduma kwa wateja kufanya kazi wikendi
+
+**Suluhisho 2.** Kununua mfumo mpya wa tiketi za huduma kwa wateja ambapo wawakilishi wa huduma kwa wateja wanaweza kutambua kwa urahisi ni malalamiko gani yamekuwa kwenye foleni kwa muda mrefu zaidi – ili waweze kujua ni yapi ya kushughulikia haraka zaidi.
+Katika mkutano, Emerson alitumia dakika 5 kueleza kwa nini kuwa na alama ya chini kwenye duka la programu ni mbaya, dakika 10 kueleza mchakato wa utafiti na jinsi mwenendo ulivyotambuliwa, dakika 10 kupitia baadhi ya malalamiko ya wateja wa hivi karibuni, na dakika 5 za mwisho akigusia suluhisho mbili zinazowezekana.
+
+Je, hii ilikuwa njia bora kwa Emerson kuwasiliana wakati wa mkutano huu?
+
+Wakati wa mkutano, kiongozi mmoja wa kampuni alijikita zaidi kwenye dakika 10 za malalamiko ya wateja ambayo Emerson alielezea. Baada ya mkutano, malalamiko haya ndiyo kitu pekee ambacho kiongozi huyu wa timu alikumbuka. Kiongozi mwingine wa kampuni alilenga zaidi Emerson alipokuwa akielezea mchakato wa utafiti. Kiongozi wa tatu wa kampuni alikumbuka suluhisho zilizopendekezwa na Emerson lakini hakuwa na uhakika jinsi suluhisho hizo zinaweza kutekelezwa.
+
+Katika hali iliyoelezwa hapo juu, unaweza kuona kwamba kulikuwa na pengo kubwa kati ya kile Emerson alitaka viongozi wa timu waelewe na kile walichoelewa mwishowe kutoka kwenye mkutano. Hapa chini kuna mbinu nyingine ambayo Emerson angeweza kuzingatia.
+
+Je, Emerson angeboreshaje mbinu hii?  
+Muktadha, Mgogoro, Kilele, Hitimisho, Mwisho  
+**Muktadha** - Emerson angeweza kutumia dakika 5 za kwanza kuanzisha hali nzima na kuhakikisha kwamba viongozi wa timu wanaelewa jinsi matatizo yanavyoathiri vipimo muhimu kwa kampuni, kama mapato.
+
+Hii ingeweza kuwekwa hivi: "Kwa sasa, alama ya programu yetu kwenye duka la programu ni 2.5. Alama kwenye duka la programu ni muhimu kwa Uboreshaji wa Duka la Programu, ambao huathiri ni watumiaji wangapi wanaiona programu yetu kwenye utafutaji, na jinsi programu yetu inavyoonekana kwa watumiaji wanaotarajiwa. Na bila shaka, idadi ya watumiaji tulionao inahusiana moja kwa moja na mapato."
+
+**Mgogoro** Emerson angeweza kisha kuzungumzia mgogoro kwa dakika 5 au zaidi.
+
+Hii ingeweza kusemwa hivi: “Watumiaji hutuma malalamiko na ripoti za hitilafu kwa asilimia 42 zaidi mwishoni mwa wiki. Wateja wanaotuma malalamiko ambayo hayajajibiwa baada ya saa 48 wana uwezekano wa asilimia 32 zaidi wa kutoa alama chini ya 2 kwenye duka la programu. Kuboresha alama ya programu yetu kwenye duka la programu hadi 4 kutaongeza mwonekano wetu kwa asilimia 20-30, ambayo ninakadiria itaongeza mapato kwa asilimia 10." Bila shaka, Emerson anapaswa kuwa tayari kuthibitisha takwimu hizi.
+
+**Kilele** Baada ya kuweka msingi, Emerson angeweza kuingia kwenye Kilele kwa dakika 5 au zaidi.
+
+Emerson angeweza kuanzisha suluhisho zilizopendekezwa, kueleza jinsi suluhisho hizo zitakavyoshughulikia masuala yaliyoainishwa, jinsi suluhisho hizo zinaweza kutekelezwa katika mifumo iliyopo, gharama za suluhisho hizo, faida zake, na labda hata kuonyesha picha za skrini au michoro ya jinsi suluhisho hizo zitakavyoonekana zikitekelezwa. Emerson angeweza pia kushiriki ushuhuda kutoka kwa watumiaji ambao walichukua zaidi ya saa 48 kushughulikiwa malalamiko yao, na hata ushuhuda kutoka kwa mwakilishi wa huduma kwa wateja wa sasa ndani ya kampuni ambaye ana maoni kuhusu mfumo wa tiketi wa sasa.
+
+**Hitimisho** Sasa Emerson anaweza kutumia dakika 5 kurudia matatizo yanayokabiliwa na kampuni, kurejelea suluhisho zilizopendekezwa, na kupitia kwa nini suluhisho hizo ni sahihi.
+
+**Mwisho** Kwa kuwa huu ni mkutano na washikadau wachache ambapo mawasiliano ya pande mbili yatatumika, Emerson angeweza kupanga kuacha dakika 10 kwa maswali, ili kuhakikisha kwamba chochote kilichowachanganya viongozi wa timu kinaweza kufafanuliwa kabla ya mkutano kumalizika.
+
+Ikiwa Emerson angechukua mbinu ya pili, kuna uwezekano mkubwa kwamba viongozi wa timu wataondoka kwenye mkutano wakiwa wameelewa kile Emerson alikusudia – kwamba jinsi malalamiko na hitilafu zinavyoshughulikiwa inaweza kuboreshwa, na kuna suluhisho mbili zinazoweza kuwekwa ili kufanya maboresho hayo kutokea. Mbinu hii ingekuwa njia bora zaidi ya kuwasilisha data, na hadithi, ambayo Emerson anataka kuwasilisha.  
+
+# Mwisho  
+### Muhtasari wa hoja kuu  
+- Kuwasiliana ni kufikisha au kubadilishana taarifa.  
+- Unapowasilisha data, lengo lako halipaswi kuwa tu kupitisha namba kwa hadhira yako. Lengo lako linapaswa kuwa kuwasilisha hadithi inayotokana na data yako.  
+- Kuna aina 2 za mawasiliano, Mawasiliano ya Njia Moja (taarifa zinawasilishwa bila nia ya majibu) na Mawasiliano ya Njia Mbili (taarifa zinawasilishwa kurudi na mbele.)  
+- Kuna mikakati mingi unayoweza kutumia kusimulia hadithi kwa data yako, mikakati 5 tuliyopitia ni:  
+  - Elewa Hadhira Yako, Njia Yako, na Mbinu Yako ya Mawasiliano  
+  - Anza na Mwisho Akilini  
+  - Iangalie Kama Hadithi Halisi  
+  - Tumia Maneno na Vifungu Vyenye Maana  
+  - Tumia Hisia  
+
+### Rasilimali Zinazopendekezwa kwa Kujifunza Binafsi  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Jaribio la Baada ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Pitia kile ulichojifunza na Jaribio la Baada ya Somo hapo juu!  
+
+## Kazi  
+
+[Utafiti wa Soko](assignment.md)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/sw/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..2be14728
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-26T16:39:57+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Simulia Hadithi
+
+## Maelekezo
+
+Sayansi ya Takwimu inahusu kusimulia hadithi. Chagua seti yoyote ya data na andika karatasi fupi kuhusu hadithi unayoweza kusimulia kuhusu hiyo. Unatarajia seti yako ya data kufichua nini? Utafanya nini ikiwa matokeo yake yatakuwa na changamoto? Je, itakuwaje ikiwa data yako haitafichua siri zake kwa urahisi? Fikiria hali ambazo seti yako ya data inaweza kuwasilisha na ziandike.
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | -- |
+
+Insha ya ukurasa mmoja imewasilishwa katika muundo wa .doc ikiwa na seti ya data imeelezwa, imeandikwa, imetolewa sifa, na hadithi yenye mshikamano imewasilishwa kuhusu hiyo ikiwa na mifano ya kina kutoka kwa data.| Insha fupi imewasilishwa kwa muundo usio na maelezo mengi | Insha inakosa mojawapo ya maelezo yaliyo hapo juu.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/4-Data-Science-Lifecycle/README.md b/translations/sw/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..3b7bcdce
--- /dev/null
+++ b/translations/sw/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-26T16:20:35+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "sw"
+}
+-->
+# Mzunguko wa Maisha wa Sayansi ya Takwimu
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sw.jpg)
+> Picha na <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> kwenye <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+Katika masomo haya, utachunguza baadhi ya vipengele vya mzunguko wa maisha wa Sayansi ya Takwimu, ikiwa ni pamoja na uchambuzi na mawasiliano kuhusu data.
+
+### Mada
+
+1. [Utangulizi](14-Introduction/README.md)
+2. [Kuchambua](15-analyzing/README.md)
+3. [Mawasiliano](16-communication/README.md)
+
+### Shukrani
+
+Masomo haya yaliandikwa kwa ❤️ na [Jalen McGee](https://twitter.com/JalenMCG) na [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/sw/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..fc43c920
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,114 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-26T16:05:04+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "sw"
+}
+-->
+# Utangulizi wa Sayansi ya Takwimu katika Wingu
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Sayansi ya Takwimu Katika Wingu: Utangulizi - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+
+Katika somo hili, utajifunza kanuni za msingi za Wingu, kisha utaona kwa nini inaweza kuwa ya kuvutia kwako kutumia huduma za Wingu kuendesha miradi yako ya sayansi ya takwimu, na tutatazama mifano ya miradi ya sayansi ya takwimu inayotekelezwa katika Wingu. 
+
+## [Maswali ya Awali ya Somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## Wingu ni nini?
+
+Wingu, au Kompyuta ya Wingu, ni utoaji wa huduma mbalimbali za kompyuta kwa malipo kulingana na matumizi, zinazohifadhiwa kwenye miundombinu kupitia mtandao. Huduma hizi zinajumuisha suluhisho kama uhifadhi, hifadhidata, mitandao, programu, uchanganuzi, na huduma za akili. 
+
+Kwa kawaida tunatofautisha Wingu la Umma, Wingu la Kibinafsi, na Wingu Mseto kama ifuatavyo:
+
+* Wingu la Umma: wingu la umma linamilikiwa na kuendeshwa na mtoa huduma wa wingu wa tatu ambaye hutoa rasilimali zake za kompyuta kupitia mtandao kwa umma.
+* Wingu la Kibinafsi: linahusu rasilimali za kompyuta za wingu zinazotumiwa pekee na biashara au shirika moja, na huduma na miundombinu zinahifadhiwa kwenye mtandao wa kibinafsi.
+* Wingu Mseto: wingu mseto ni mfumo unaochanganya wingu la umma na la kibinafsi. Watumiaji huchagua kituo cha data cha ndani, huku wakiruhusu data na programu kuendeshwa kwenye wingu moja au zaidi la umma.
+
+Huduma nyingi za kompyuta ya wingu huangukia katika makundi matatu: Miundombinu kama Huduma (IaaS), Jukwaa kama Huduma (PaaS), na Programu kama Huduma (SaaS).
+
+* Miundombinu kama Huduma (IaaS): watumiaji hukodisha miundombinu ya IT kama seva na mashine za kawaida (VMs), uhifadhi, mitandao, mifumo ya uendeshaji.
+* Jukwaa kama Huduma (PaaS): watumiaji hukodisha mazingira ya kuendeleza, kujaribu, kutoa, na kusimamia programu za programu. Watumiaji hawahitaji kuwa na wasiwasi kuhusu kusanidi au kusimamia miundombinu ya msingi ya seva, uhifadhi, mitandao, na hifadhidata zinazohitajika kwa maendeleo.
+* Programu kama Huduma (SaaS): watumiaji hupata ufikiaji wa programu za programu kupitia mtandao, kwa mahitaji na kwa kawaida kwa msingi wa usajili. Watumiaji hawahitaji kuwa na wasiwasi kuhusu kuhifadhi na kusimamia programu, miundombinu ya msingi, au matengenezo kama masasisho ya programu na usalama.
+
+Baadhi ya watoa huduma wakubwa wa Wingu ni Amazon Web Services, Google Cloud Platform, na Microsoft Azure.
+
+## Kwa Nini Kuchagua Wingu kwa Sayansi ya Takwimu?
+
+Wataalamu wa maendeleo na IT huchagua kufanya kazi na Wingu kwa sababu nyingi, ikiwa ni pamoja na zifuatazo:
+
+* Ubunifu: unaweza kuimarisha programu zako kwa kuunganisha huduma za ubunifu zilizoundwa na watoa huduma wa Wingu moja kwa moja kwenye programu zako.
+* Urahisi: unalipa tu kwa huduma unazohitaji na unaweza kuchagua kutoka kwa huduma mbalimbali. Kwa kawaida unalipa kulingana na matumizi na kubadilisha huduma zako kulingana na mahitaji yanayobadilika.
+* Bajeti: huhitaji kufanya uwekezaji wa awali kununua vifaa na programu, kusanidi na kuendesha vituo vya data vya ndani, na unaweza kulipa tu kwa kile unachotumia.
+* Uwezo wa kupanuka: rasilimali zako zinaweza kupanuka kulingana na mahitaji ya mradi wako, ambayo ina maana kwamba programu zako zinaweza kutumia nguvu zaidi au kidogo ya kompyuta, uhifadhi, na upana wa mtandao, kwa kubadilika kulingana na sababu za nje wakati wowote.
+* Uzalishaji: unaweza kuzingatia biashara yako badala ya kutumia muda kwenye kazi ambazo zinaweza kusimamiwa na mtu mwingine, kama kusimamia vituo vya data.
+* Uaminifu: Kompyuta ya Wingu inatoa njia kadhaa za kuhifadhi data yako mara kwa mara na unaweza kusanidi mipango ya kurejesha maafa ili kuendelea na biashara na huduma zako hata wakati wa mgogoro.
+* Usalama: unaweza kufaidika na sera, teknolojia, na udhibiti unaoimarisha usalama wa mradi wako.
+
+Hizi ni baadhi ya sababu za kawaida kwa nini watu huchagua kutumia huduma za Wingu. Sasa kwa kuwa tunaelewa vyema Wingu ni nini na faida zake kuu, hebu tuangalie kwa undani zaidi kazi za wanasayansi wa takwimu na watengenezaji wanaofanya kazi na data, na jinsi Wingu linaweza kuwasaidia kukabiliana na changamoto mbalimbali wanazoweza kukutana nazo:
+
+* Kuhifadhi kiasi kikubwa cha data: badala ya kununua, kusimamia, na kulinda seva kubwa, unaweza kuhifadhi data yako moja kwa moja kwenye wingu, kwa suluhisho kama Azure Cosmos DB, Azure SQL Database, na Azure Data Lake Storage.
+* Kufanya Muunganisho wa Data: muunganisho wa data ni sehemu muhimu ya Sayansi ya Takwimu, inayokuwezesha kufanya mabadiliko kutoka ukusanyaji wa data hadi kuchukua hatua. Kwa huduma za muunganisho wa data zinazotolewa katika wingu, unaweza kukusanya, kubadilisha, na kuunganisha data kutoka vyanzo mbalimbali kwenye ghala moja la data, kwa kutumia Data Factory.
+* Kuchakata data: kuchakata kiasi kikubwa cha data kunahitaji nguvu nyingi za kompyuta, na si kila mtu ana ufikiaji wa mashine zenye nguvu za kutosha kwa hilo, ndiyo sababu watu wengi huchagua kutumia moja kwa moja nguvu kubwa ya kompyuta ya wingu kuendesha na kupeleka suluhisho zao.
+* Kutumia huduma za uchanganuzi wa data: huduma za wingu kama Azure Synapse Analytics, Azure Stream Analytics, na Azure Databricks husaidia kubadilisha data yako kuwa maarifa yanayoweza kutekelezwa.
+* Kutumia huduma za Kujifunza kwa Mashine na akili ya data: badala ya kuanza kutoka mwanzo, unaweza kutumia algorithmi za kujifunza kwa mashine zinazotolewa na mtoa huduma wa wingu, kwa huduma kama AzureML. Pia unaweza kutumia huduma za utambuzi kama hotuba-kwa-maandishi, maandishi-kwa-hotuba, maono ya kompyuta, na zaidi.
+
+## Mifano ya Sayansi ya Takwimu katika Wingu
+
+Hebu tufanye hili kuwa dhahiri zaidi kwa kuangalia baadhi ya hali.
+
+### Uchambuzi wa hisia za mitandao ya kijamii kwa wakati halisi
+Tutaanza na hali inayojulikana sana kwa watu wanaoanza na kujifunza kwa mashine: uchambuzi wa hisia za mitandao ya kijamii kwa wakati halisi.
+
+Tuseme unaendesha tovuti ya habari na unataka kutumia data ya moja kwa moja kuelewa ni maudhui gani wasomaji wako wanaweza kuvutiwa nayo. Ili kujua zaidi kuhusu hilo, unaweza kujenga programu inayofanya uchambuzi wa hisia za data kutoka machapisho ya Twitter, kwenye mada zinazohusiana na wasomaji wako.
+
+Viashiria muhimu utakavyotazama ni idadi ya tweets kuhusu mada maalum (hashtags) na hisia, ambayo inatathminiwa kwa kutumia zana za uchambuzi zinazofanya uchambuzi wa hisia kuhusu mada zilizotajwa.
+
+Hatua zinazohitajika kuunda mradi huu ni kama ifuatavyo:
+
+* Unda kituo cha matukio kwa pembejeo ya mtiririko, ambacho kitakusanya data kutoka Twitter.
+* Sanidi na anzisha programu ya mteja wa Twitter, ambayo itaita API za Mtiririko wa Twitter.
+* Unda kazi ya Stream Analytics.
+* Bainisha pembejeo na maswali ya kazi.
+* Unda sehemu ya matokeo na bainisha matokeo ya kazi.
+* Anzisha kazi.
+
+Ili kuona mchakato mzima, angalia [nyaraka](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Uchambuzi wa makala za kisayansi
+Hebu tuchukue mfano mwingine wa mradi ulioundwa na [Dmitry Soshnikov](http://soshnikov.com), mmoja wa waandishi wa mtaala huu.
+
+Dmitry alitengeneza zana inayochambua makala za COVID. Kwa kupitia mradi huu, utaona jinsi unavyoweza kuunda zana inayochota maarifa kutoka kwa makala za kisayansi, kupata maarifa, na kusaidia watafiti kuvinjari mkusanyiko mkubwa wa makala kwa njia bora.
+
+Hebu tuone hatua mbalimbali zilizotumika kwa hili:
+* Kuchota na kuchakata taarifa kwa kutumia [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Kutumia [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) kuendesha uchakataji kwa sambamba.
+* Kuhifadhi na kuuliza taarifa kwa kutumia [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Kuunda dashibodi ya maingiliano kwa uchunguzi wa data na uoneshaji kwa kutumia Power BI.
+
+Ili kuona mchakato mzima, tembelea [blogu ya Dmitry](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Kama unavyoona, tunaweza kutumia huduma za Wingu kwa njia nyingi kufanya Sayansi ya Takwimu.
+
+## Nukuu ya Mwisho
+
+Vyanzo:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Maswali ya Baada ya Somo
+
+[Maswali ya baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Kazi
+
+[Utafiti wa Soko](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/sw/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..5d7bbd37
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-26T16:09:44+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Utafiti wa Soko
+
+## Maelekezo
+
+Katika somo hili ulijifunza kwamba kuna watoa huduma muhimu wa wingu. Fanya utafiti wa soko ili kugundua kile kila mmoja anaweza kutoa kwa Mwanasayansi wa Takwimu. Je, huduma zao zinafanana? Andika karatasi kuelezea huduma za watoa huduma watatu au zaidi wa wingu.
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inayohitaji Kuboresha
+--- | --- | -- |
+Karatasi ya ukurasa mmoja inaelezea huduma za watoa huduma watatu wa wingu kwa ajili ya sayansi ya takwimu na kutofautisha kati yao. | Karatasi fupi imewasilishwa | Karatasi imewasilishwa bila kukamilisha uchambuzi
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..dbc11a50
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,352 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-26T15:53:44+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu katika Wingu: Njia ya "Low code/No code"
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Sayansi ya Takwimu Katika Wingu: Low Code - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Jedwali la maudhui:
+
+- [Sayansi ya Takwimu katika Wingu: Njia ya "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Maswali ya awali ya somo](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Utangulizi](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Azure Machine Learning ni nini?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 Mradi wa Utabiri wa Mshindo wa Moyo:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 Seti ya Takwimu ya Mshindo wa Moyo:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Mafunzo ya modeli kwa njia ya Low code/No code katika Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Unda workspace ya Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Rasilimali za Kompyuta](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Kuchagua chaguo sahihi kwa rasilimali zako za kompyuta](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Kuunda klasta ya kompyuta](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Kupakia Seti ya Takwimu](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Mafunzo ya Low code/No code kwa AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Utekelezaji wa modeli kwa njia ya Low code/No code na matumizi ya endpoint](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Utekelezaji wa modeli](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Matumizi ya endpoint](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Changamoto](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Maswali ya baada ya somo](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Mapitio na Kujisomea](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Kazi ya Nyumbani](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [Maswali ya awali ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. Utangulizi
+
+### 1.1 Azure Machine Learning ni nini?
+
+Jukwaa la wingu la Azure lina zaidi ya bidhaa 200 na huduma za wingu zilizoundwa kusaidia kuleta suluhisho mpya maishani. Wanasayansi wa takwimu hutumia juhudi nyingi kuchunguza na kuchakata data, na kujaribu aina mbalimbali za algorithimu za mafunzo ya modeli ili kuzalisha modeli sahihi. Kazi hizi huchukua muda mwingi na mara nyingi hutumia vibaya vifaa vya gharama kubwa vya kompyuta.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ni jukwaa linalotegemea wingu kwa ajili ya kujenga na kuendesha suluhisho za kujifunza kwa mashine katika Azure. Inajumuisha vipengele na uwezo mbalimbali vinavyosaidia wanasayansi wa takwimu kuandaa data, kufundisha modeli, kuchapisha huduma za utabiri, na kufuatilia matumizi yao. Muhimu zaidi, inawasaidia kuongeza ufanisi wao kwa kugeuza kiotomatiki kazi nyingi zinazochukua muda zinazohusiana na mafunzo ya modeli; na inawawezesha kutumia rasilimali za kompyuta zinazotegemea wingu ambazo hupimika kwa ufanisi, kushughulikia kiasi kikubwa cha data huku wakipata gharama tu wanapozitumia.
+
+Azure ML hutoa zana zote ambazo watengenezaji na wanasayansi wa takwimu wanahitaji kwa kazi zao za kujifunza kwa mashine. Hizi ni pamoja na:
+
+- **Azure Machine Learning Studio**: ni lango la wavuti katika Azure Machine Learning kwa chaguo za low-code na no-code kwa mafunzo ya modeli, utekelezaji, otomatiki, ufuatiliaji, na usimamizi wa mali. Studio inaunganishwa na Azure Machine Learning SDK kwa uzoefu usio na mshono.
+- **Jupyter Notebooks**: kuunda na kujaribu modeli za ML haraka.
+- **Azure Machine Learning Designer**: inaruhusu kuburuta na kudondosha moduli ili kujenga majaribio na kisha kupeleka mabomba katika mazingira ya low-code.
+- **Automated machine learning UI (AutoML)**: inageuza kiotomatiki kazi za kurudia za maendeleo ya modeli za kujifunza kwa mashine, ikiruhusu kujenga modeli za ML kwa kiwango kikubwa, ufanisi, na tija, huku ikidumisha ubora wa modeli.
+- **Data Labelling**: zana ya ML inayosaidia kuweka lebo data kiotomatiki.
+- **Kiongezi cha kujifunza kwa mashine kwa Visual Studio Code**: hutoa mazingira kamili ya maendeleo kwa ajili ya kujenga na kusimamia miradi ya ML.
+- **CLI ya kujifunza kwa mashine**: hutoa amri za kusimamia rasilimali za Azure ML kutoka kwa mstari wa amri.
+- **Ujumuishaji na mifumo ya chanzo huria** kama PyTorch, TensorFlow, Scikit-learn na mingine mingi kwa mafunzo, utekelezaji, na usimamizi wa mchakato wa mwisho hadi mwisho wa kujifunza kwa mashine.
+- **MLflow**: ni maktaba ya chanzo huria kwa kusimamia mzunguko wa maisha wa majaribio yako ya kujifunza kwa mashine. **MLFlow Tracking** ni sehemu ya MLflow inayorekodi na kufuatilia vipimo vya mafunzo yako na vielelezo vya modeli, bila kujali mazingira ya jaribio lako.
+
+### 1.2 Mradi wa Utabiri wa Mshindo wa Moyo:
+
+Hakuna shaka kwamba kutengeneza na kujenga miradi ni njia bora ya kujaribu ujuzi na maarifa yako. Katika somo hili, tutaangalia njia mbili tofauti za kujenga mradi wa sayansi ya takwimu kwa utabiri wa mshindo wa moyo katika Azure ML Studio, kupitia Low code/No code na kupitia Azure ML SDK kama inavyoonyeshwa kwenye mpangilio ufuatao:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sw.png)
+
+Kila njia ina faida na hasara zake. Njia ya Low code/No code ni rahisi kuanza nayo kwani inahusisha kuingiliana na GUI (Kiolesura cha Mtumiaji wa Kijigrafia), bila ujuzi wa awali wa msimbo. Njia hii inaruhusu majaribio ya haraka ya uwezekano wa mradi na kuunda POC (Uthibitisho wa Dhana). Hata hivyo, mradi unapoendelea na mambo yanapohitaji kuwa tayari kwa uzalishaji, si rahisi kuunda rasilimali kupitia GUI. Tunahitaji kugeuza kiotomatiki kila kitu kwa njia ya programu, kuanzia uundaji wa rasilimali hadi utekelezaji wa modeli. Hapa ndipo maarifa ya jinsi ya kutumia Azure ML SDK yanapokuwa muhimu.
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Ujuzi wa msimbo   | Hauhitajiki      | Unahitajika               |
+| Muda wa kuendeleza| Haraka na rahisi | Inategemea ujuzi wa msimbo|
+| Tayari kwa uzalishaji | Hapana          | Ndio                      |
+
+### 1.3 Seti ya Takwimu ya Mshindo wa Moyo:
+
+Magonjwa ya moyo na mishipa (CVDs) ni sababu kuu ya vifo duniani kote, yakichangia 31% ya vifo vyote duniani. Sababu za hatari za mazingira na tabia kama vile matumizi ya tumbaku, lishe isiyo na afya na unene, ukosefu wa mazoezi ya mwili, na matumizi mabaya ya pombe zinaweza kutumika kama vipengele vya modeli za makadirio. Uwezo wa kukadiria uwezekano wa maendeleo ya CVD unaweza kuwa wa manufaa makubwa katika kuzuia mshindo kwa watu walio katika hatari kubwa.
+
+Kaggle imefanya [Seti ya Takwimu ya Mshindo wa Moyo](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ipatikane kwa umma, ambayo tutatumia kwa mradi huu. Unaweza kupakua seti ya takwimu sasa. Hii ni seti ya takwimu ya tabular yenye safu 13 (vipengele 12 na kipengele 1 cha lengo) na safu 299.
+
+|    | Jina la Kigezo            | Aina             | Maelezo                                                  | Mfano             |
+|----|---------------------------|------------------|----------------------------------------------------------|-------------------|
+| 1  | age                       | nambari          | Umri wa mgonjwa                                          | 25                |
+| 2  | anaemia                   | boolean          | Kupungua kwa seli nyekundu za damu au hemoglobini        | 0 au 1            |
+| 3  | creatinine_phosphokinase  | nambari          | Kiwango cha kimeng'enya cha CPK kwenye damu              | 542               |
+| 4  | diabetes                  | boolean          | Ikiwa mgonjwa ana kisukari                               | 0 au 1            |
+| 5  | ejection_fraction         | nambari          | Asilimia ya damu inayotoka moyoni kwa kila mkazo         | 45                |
+| 6  | high_blood_pressure       | boolean          | Ikiwa mgonjwa ana shinikizo la damu                      | 0 au 1            |
+| 7  | platelets                 | nambari          | Seli za damu kwenye damu                                 | 149000            |
+| 8  | serum_creatinine          | nambari          | Kiwango cha serum creatinine kwenye damu                | 0.5               |
+| 9  | serum_sodium              | nambari          | Kiwango cha serum sodium kwenye damu                    | jun               |
+| 10 | sex                       | boolean          | Mwanamke au mwanaume                                    | 0 au 1            |
+| 11 | smoking                   | boolean          | Ikiwa mgonjwa anavuta sigara                             | 0 au 1            |
+| 12 | time                      | nambari          | Kipindi cha ufuatiliaji (siku)                           | 4                 |
+|----|---------------------------|------------------|----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Lengo]       | boolean          | Ikiwa mgonjwa hufa wakati wa kipindi cha ufuatiliaji     | 0 au 1            |
+
+Baada ya kuwa na seti ya takwimu, tunaweza kuanza mradi katika Azure.
+
+## 2. Mafunzo ya modeli kwa njia ya Low code/No code katika Azure ML Studio
+
+### 2.1 Unda workspace ya Azure ML
+
+Ili kufundisha modeli katika Azure ML, unahitaji kwanza kuunda workspace ya Azure ML. Workspace ni rasilimali ya kiwango cha juu kwa Azure Machine Learning, inayotoa mahali pa kati pa kufanya kazi na vitu vyote unavyounda unapoitumia. Workspace huhifadhi historia ya mafunzo yote, ikiwa ni pamoja na kumbukumbu, vipimo, matokeo, na picha ya maandishi yako. Unatumia taarifa hii kuamua ni mafunzo gani yanayozalisha modeli bora. [Jifunze zaidi](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Inapendekezwa kutumia kivinjari cha kisasa zaidi kinachooana na mfumo wako wa uendeshaji. Vivinjari vifuatavyo vinasaidiwa:
+
+- Microsoft Edge (Microsoft Edge mpya, toleo la hivi karibuni. Sio Microsoft Edge legacy)
+- Safari (toleo la hivi karibuni, Mac pekee)
+- Chrome (toleo la hivi karibuni)
+- Firefox (toleo la hivi karibuni)
+
+Ili kutumia Azure Machine Learning, unda workspace katika usajili wako wa Azure. Unaweza kisha kutumia workspace hii kusimamia data, rasilimali za kompyuta, msimbo, modeli, na vitu vingine vinavyohusiana na kazi zako za kujifunza kwa mashine.
+
+> **_KUMBUKA:_** Usajili wako wa Azure utatozwa kiasi kidogo kwa ajili ya hifadhi ya data mradi workspace ya Azure Machine Learning ipo katika usajili wako, kwa hivyo tunapendekeza kufuta workspace ya Azure Machine Learning unapokuwa hauitumii tena.
+
+1. Ingia kwenye [Azure portal](https://ms.portal.azure.com/) ukitumia maelezo ya Microsoft yanayohusiana na usajili wako wa Azure.
+2. Chagua **＋Create a resource**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sw.png)
+
+   Tafuta Machine Learning na uchague tile ya Machine Learning
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sw.png)
+
+   Bonyeza kitufe cha kuunda
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sw.png)
+
+   Jaza mipangilio kama ifuatavyo:
+   - Usajili: Usajili wako wa Azure
+   - Kikundi cha rasilimali: Unda au chagua kikundi cha rasilimali
+   - Jina la workspace: Weka jina la kipekee kwa workspace yako
+   - Eneo: Chagua eneo la kijiografia lililo karibu nawe
+   - Akaunti ya hifadhi: Kumbuka akaunti mpya ya hifadhi itakayoundwa kwa workspace yako
+   - Key vault: Kumbuka key vault mpya itakayoundwa kwa workspace yako
+   - Application insights: Kumbuka rasilimali mpya ya application insights itakayoundwa kwa workspace yako
+   - Container registry: Hakuna (moja itaundwa kiotomatiki mara ya kwanza unapopeleka modeli kwenye kontena)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sw.png)
+
+   - Bonyeza kitufe cha create + review kisha bonyeza kitufe cha kuunda
+3. Subiri workspace yako iundwe (hii inaweza kuchukua dakika chache). Kisha nenda kwenye portal. Unaweza kuipata kupitia huduma ya Machine Learning ya Azure.
+4. Kwenye ukurasa wa Muhtasari wa workspace yako, zindua Azure Machine Learning studio (au fungua kichupo kipya cha kivinjari na uende kwenye https://ml.azure.com), na uingie kwenye Azure Machine Learning studio ukitumia akaunti yako ya Microsoft. Ukitakiwa, chagua saraka na usajili wako wa Azure, na workspace yako ya Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sw.png)
+
+5. Katika Azure Machine Learning studio, badilisha ikoni ya ☰ juu kushoto ili kuona kurasa mbalimbali kwenye kiolesura. Unaweza kutumia kurasa hizi kusimamia rasilimali katika workspace yako.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sw.png)
+
+Unaweza kusimamia workspace yako ukitumia Azure portal, lakini kwa wanasayansi wa takwimu na wahandisi wa uendeshaji wa Machine Learning, Azure Machine Learning Studio hutoa kiolesura cha mtumiaji kilicholenga zaidi kwa usimamizi wa rasilimali za workspace.
+
+### 2.2 Rasilimali za Kompyuta
+
+Rasilimali za Kompyuta ni rasilimali zinazotegemea wingu ambazo unaweza kutumia kuendesha mchakato wa mafunzo ya modeli na uchunguzi wa data. Kuna aina nne za rasilimali za kompyuta unazoweza kuunda:
+
+- **Compute Instances**: Vituo vya kazi vya maendeleo ambavyo wanasayansi wa takwimu wanaweza kutumia kufanya kazi na data na modeli. Hii inahusisha uundaji wa Mashine ya Virtual (VM) na kuzindua mfano wa daftari. Unaweza kisha kufundisha modeli kwa kuita klasta ya kompyuta kutoka kwenye daftari.
+- **Compute Clusters**: Klastas zinazoweza kupimika za VM kwa usindikaji wa majaribio ya msimbo kwa mahitaji. Utahitaji klasta unapofundisha modeli. Compute clusters pia zinaweza kutumia rasilimali maalum za GPU au CPU.
+- **Inference Clusters**: Malengo ya utekelezaji wa huduma za utabiri zinazotumia modeli zako zilizofundishwa.
+- **Attached Compute**: Inaunganisha rasilimali za kompyuta zilizopo za Azure, kama vile Virtual Machines au makundi ya Azure Databricks.
+
+#### 2.2.1 Kuchagua chaguo sahihi kwa rasilimali zako za kompyuta
+
+Baadhi ya mambo muhimu ya kuzingatia wakati wa kuunda rasilimali ya kompyuta yanaweza kuwa maamuzi muhimu ya kufanya.
+
+**Je, unahitaji CPU au GPU?**
+
+CPU (Central Processing Unit) ni mzunguko wa kielektroniki unaotekeleza maagizo yanayojumuisha programu ya kompyuta. GPU (Graphics Processing Unit) ni mzunguko maalum wa kielektroniki unaoweza kutekeleza msimbo unaohusiana na michoro kwa kasi ya juu sana.
+
+Tofauti kuu kati ya usanifu wa CPU na GPU ni kwamba CPU imeundwa kushughulikia kazi mbalimbali haraka (kama inavyopimwa na kasi ya saa ya CPU), lakini ina mipaka katika usawa wa kazi zinazoweza kuendeshwa. GPU zimeundwa kwa ajili ya hesabu sambamba na kwa hivyo ni bora zaidi kwa kazi za kujifunza kwa kina.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Gharama nafuu                           | Gharama kubwa               |
+| Kiwango cha chini cha usawa             | Kiwango cha juu cha usawa   |
+| Polepole katika kufundisha mifano ya kujifunza kwa kina | Bora kwa kujifunza kwa kina |
+
+**Ukubwa wa Klasta**
+
+Makundi makubwa ni ghali zaidi lakini yatatoa majibu bora. Kwa hivyo, ikiwa una muda lakini huna pesa za kutosha, unapaswa kuanza na klasta ndogo. Kinyume chake, ikiwa una pesa lakini huna muda mwingi, unapaswa kuanza na klasta kubwa.
+
+**Ukubwa wa VM**
+
+Kulingana na vikwazo vyako vya muda na bajeti, unaweza kubadilisha ukubwa wa RAM, diski, idadi ya cores na kasi ya saa. Kuongeza vigezo vyote hivyo kutakuwa na gharama kubwa zaidi, lakini kutatoa utendaji bora.
+
+**Instances Zilizojitolea au Zenye Kipaumbele cha Chini?**
+
+Instance yenye kipaumbele cha chini inamaanisha kuwa inaweza kusitishwa: kimsingi, Microsoft Azure inaweza kuchukua rasilimali hizo na kuzitumia kwa kazi nyingine, hivyo kusitisha kazi. Instance iliyojitolea, au isiyositishwa, inamaanisha kuwa kazi haitasitishwa bila ruhusa yako. Hili ni jambo lingine la kuzingatia kati ya muda na pesa, kwani instances zinazoweza kusitishwa ni nafuu zaidi kuliko zile zilizojitolea.
+
+#### 2.2.2 Kuunda klasta ya kompyuta
+
+Katika [Azure ML workspace](https://ml.azure.com/) tuliyounda awali, nenda kwenye kompyuta na utaweza kuona rasilimali tofauti za kompyuta tulizojadili (yaani compute instances, compute clusters, inference clusters na attached compute). Kwa mradi huu, tunahitaji klasta ya kompyuta kwa ajili ya mafunzo ya modeli. Katika Studio, bonyeza menyu ya "Compute", kisha kichupo cha "Compute cluster" na bonyeza kitufe cha "+ New" ili kuunda klasta ya kompyuta.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sw.png)
+
+1. Chagua chaguo zako: Dedicated vs Low priority, CPU au GPU, VM size na idadi ya cores (unaweza kuweka mipangilio ya default kwa mradi huu).
+2. Bonyeza kitufe cha Next.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sw.png)
+
+3. Pea klasta jina la kompyuta.
+4. Chagua chaguo zako: Idadi ya nodes ya chini/juu, sekunde za kutokuwa na kazi kabla ya kupungua, ufikiaji wa SSH. Kumbuka kuwa ikiwa idadi ya chini ya nodes ni 0, utaokoa pesa wakati klasta haifanyi kazi. Kumbuka kuwa idadi ya juu ya nodes, muda wa mafunzo utakuwa mfupi. Idadi ya juu ya nodes inayopendekezwa ni 3.  
+5. Bonyeza kitufe cha "Create". Hatua hii inaweza kuchukua dakika chache.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sw.png)
+
+Nzuri sana! Sasa kwa kuwa tuna klasta ya kompyuta, tunahitaji kupakia data kwenye Azure ML Studio.
+
+### 2.3 Kupakia Dataset
+
+1. Katika [Azure ML workspace](https://ml.azure.com/) tuliyounda awali, bonyeza "Datasets" kwenye menyu ya kushoto na bonyeza kitufe cha "+ Create dataset" ili kuunda dataset. Chagua chaguo la "From local files" na uchague dataset ya Kaggle tuliyopakua awali.
+   
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sw.png)
+
+2. Pea dataset yako jina, aina na maelezo. Bonyeza Next. Pakia data kutoka kwa faili. Bonyeza Next.
+   
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sw.png)
+
+3. Katika Schema, badilisha aina ya data kuwa Boolean kwa vipengele vifuatavyo: anaemia, diabetes, high blood pressure, sex, smoking, na DEATH_EVENT. Bonyeza Next na Bonyeza Create.
+   
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sw.png)
+
+Nzuri sana! Sasa kwa kuwa dataset ipo na klasta ya kompyuta imeundwa, tunaweza kuanza mafunzo ya modeli!
+
+### 2.4 Mafunzo ya Low code/No Code na AutoML 
+
+Maendeleo ya jadi ya modeli za kujifunza mashine yanahitaji rasilimali nyingi, maarifa makubwa ya uwanja, na muda wa kuzalisha na kulinganisha modeli kadhaa. 
+Kujifunza mashine kiotomatiki (AutoML), ni mchakato wa kuendesha kiotomatiki kazi za kurudia-rudia za maendeleo ya modeli za kujifunza mashine. Inawawezesha wanasayansi wa data, wachambuzi, na watengenezaji kujenga modeli za ML kwa kiwango kikubwa, ufanisi, na tija, huku ikidumisha ubora wa modeli. Inapunguza muda unaohitajika kupata modeli za ML tayari kwa uzalishaji, kwa urahisi na ufanisi mkubwa. [Jifunze zaidi](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. Katika [Azure ML workspace](https://ml.azure.com/) tuliyounda awali bonyeza "Automated ML" kwenye menyu ya kushoto na chagua dataset uliyopakia. Bonyeza Next.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sw.png)
+
+2. Ingiza jina jipya la jaribio, safu lengwa (DEATH_EVENT) na klasta ya kompyuta tuliyounda. Bonyeza Next.
+   
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sw.png)
+
+3. Chagua "Classification" na Bonyeza Finish. Hatua hii inaweza kuchukua kati ya dakika 30 hadi saa 1, kulingana na ukubwa wa klasta yako ya kompyuta.
+    
+    ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sw.png)
+
+4. Mara tu mchakato ukikamilika, bonyeza kichupo cha "Automated ML", bonyeza jaribio lako, na bonyeza Algorithm kwenye kadi ya "Best model summary".
+    
+    ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sw.png)
+
+Hapa unaweza kuona maelezo ya kina ya modeli bora ambayo AutoML imezalisha. Unaweza pia kuchunguza modeli nyingine zilizozalishwa kwenye kichupo cha Models. Chukua dakika chache kuchunguza modeli kwenye kitufe cha Explanations (preview). Mara tu unapochagua modeli unayotaka kutumia (hapa tutachagua modeli bora iliyochaguliwa na AutoML), tutaona jinsi tunavyoweza kupeleka modeli hiyo.
+
+## 3. Upelekaji wa modeli kwa Low code/No Code na matumizi ya endpoint
+### 3.1 Upelekaji wa modeli
+
+Kiolesura cha kujifunza mashine kiotomatiki kinakuwezesha kupeleka modeli bora kama huduma ya wavuti kwa hatua chache. Upelekaji ni ujumuishaji wa modeli ili iweze kutoa utabiri kulingana na data mpya na kutambua maeneo yanayowezekana ya fursa. Kwa mradi huu, upelekaji kwa huduma ya wavuti inamaanisha kuwa programu za matibabu zitaweza kutumia modeli kutoa utabiri wa moja kwa moja wa hatari ya mgonjwa kupata shambulio la moyo.
+
+Katika maelezo ya modeli bora, bonyeza kitufe cha "Deploy".
+    
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sw.png)
+
+15. Pea jina, maelezo, aina ya kompyuta (Azure Container Instance), wezesha uthibitishaji na bonyeza Deploy. Hatua hii inaweza kuchukua takriban dakika 20 kukamilika. Mchakato wa upelekaji unajumuisha hatua kadhaa ikiwa ni pamoja na kusajili modeli, kuzalisha rasilimali, na kuzisanidi kwa huduma ya wavuti. Ujumbe wa hali unaonekana chini ya Deploy status. Chagua Refresh mara kwa mara ili kuangalia hali ya upelekaji. Imepelekwa na inafanya kazi wakati hali ni "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sw.png)
+
+16. Mara tu imepelekwa, bonyeza kichupo cha Endpoint na bonyeza endpoint uliyoipeleka. Hapa unaweza kupata maelezo yote unayohitaji kujua kuhusu endpoint.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sw.png)
+
+Ajabu! Sasa kwa kuwa tuna modeli iliyopelekwa, tunaweza kuanza matumizi ya endpoint.
+
+### 3.2 Matumizi ya endpoint
+
+Bonyeza kichupo cha "Consume". Hapa unaweza kupata endpoint ya REST na script ya Python katika chaguo la matumizi. Chukua muda kusoma msimbo wa Python.
+
+Script hii inaweza kuendeshwa moja kwa moja kutoka kwa mashine yako ya ndani na itatumia endpoint yako.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sw.png)
+
+Chukua muda kuangalia mistari hii miwili ya msimbo:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+Kigezo `url` ni endpoint ya REST inayopatikana kwenye kichupo cha consume na kigezo `api_key` ni funguo kuu inayopatikana pia kwenye kichupo cha consume (ikiwa tu umewezesha uthibitishaji). Hivi ndivyo script inaweza kutumia endpoint.
+
+18. Ukiendesha script, unapaswa kuona matokeo yafuatayo:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+Hii inamaanisha kuwa utabiri wa kushindwa kwa moyo kwa data iliyotolewa ni kweli. Hii ina mantiki kwa sababu ukitazama kwa karibu data iliyozalishwa kiotomatiki kwenye script, kila kitu kiko 0 na si kweli kwa default. Unaweza kubadilisha data kwa sampuli ifuatayo ya pembejeo:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+Script inapaswa kurudisha:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Hongera! Umetumia modeli iliyopelekwa na kuifundisha kwenye Azure ML!
+
+> **_NOTE:_** Mara tu unapomaliza mradi, usisahau kufuta rasilimali zote.
+## 🚀 Changamoto
+
+Angalia kwa karibu maelezo ya modeli na maelezo ambayo AutoML imezalisha kwa modeli bora. Jaribu kuelewa kwa nini modeli bora ni bora kuliko nyingine. Ni algorithms gani zililinganishwa? Ni tofauti gani kati yao? Kwa nini ile bora inafanya vizuri zaidi katika kesi hii?
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Mapitio & Kujisomea
+
+Katika somo hili, umejifunza jinsi ya kufundisha, kupeleka na kutumia modeli kutabiri hatari ya kushindwa kwa moyo kwa njia ya Low code/No code katika wingu. Ikiwa bado hujafanya hivyo, chunguza kwa kina maelezo ya modeli ambayo AutoML imezalisha kwa modeli bora na jaribu kuelewa kwa nini modeli bora ni bora kuliko nyingine.
+
+Unaweza kwenda mbali zaidi katika AutoML ya Low code/No code kwa kusoma [hati hii](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Kazi ya Nyumbani
+
+[Mradi wa Data Science wa Low code/No code kwenye Azure ML](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..003e3969
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-26T16:04:08+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Mradi wa Sayansi ya Takwimu wa Low code/No code kwenye Azure ML
+
+## Maelekezo
+
+Tuliona jinsi ya kutumia jukwaa la Azure ML kufundisha, kupeleka, na kutumia modeli kwa njia ya Low code/No code. Sasa tafuta data ambayo unaweza kutumia kufundisha modeli nyingine, kupeleka, na kuitumia. Unaweza kutafuta seti za data kwenye [Kaggle](https://kaggle.com) na [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Rubric
+
+| Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha |
+|------------|----------------|---------------------|
+|Wakati wa kupakia data ulizingatia kubadilisha aina ya vipengele ikiwa ni lazima. Pia ulisafisha data ikiwa ilihitajika. Ulifanya mafunzo kwenye seti ya data kupitia AutoML, na ukakagua maelezo ya modeli. Ulileta modeli bora zaidi na uliweza kuitumia. | Wakati wa kupakia data ulizingatia kubadilisha aina ya vipengele ikiwa ni lazima. Ulifanya mafunzo kwenye seti ya data kupitia AutoML, ukapeleka modeli bora zaidi na uliweza kuitumia. | Umepeleka modeli bora zaidi iliyofundishwa na AutoML na uliweza kuitumia. |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutokuelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/sw/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..1872ccc4
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,312 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-26T16:10:34+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu katika Wingu: Njia ya "Azure ML SDK"
+
+|![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Sayansi ya Takwimu Katika Wingu: Azure ML SDK - _Sketchnote na [@nitya](https://twitter.com/nitya)_ |
+
+Orodha ya yaliyomo:
+
+- [Sayansi ya Takwimu katika Wingu: Njia ya "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Maswali ya awali ya somo](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Utangulizi](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Azure ML SDK ni nini?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Utangulizi wa mradi wa utabiri wa kushindwa kwa moyo na seti ya data](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Kufundisha modeli kwa Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Kuunda eneo la kazi la Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Kuunda mfano wa kompyuta](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Kupakia seti ya data](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Kuunda Notebooks](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Kufundisha modeli](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Kuweka Eneo la Kazi, jaribio, klasta ya kompyuta na seti ya data](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Usanidi wa AutoML na mafunzo](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Uwekaji wa modeli na matumizi ya endpoint kwa Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Kuhifadhi modeli bora](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Uwekaji wa modeli](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Matumizi ya endpoint](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Changamoto](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Maswali ya baada ya somo](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Mapitio na Kujisomea](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Kazi ya nyumbani](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Maswali ya awali ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Utangulizi
+
+### 1.1 Azure ML SDK ni nini?
+
+Wanasayansi wa takwimu na watengenezaji wa AI hutumia Azure Machine Learning SDK kujenga na kuendesha mchakato wa mafunzo ya mashine kwa kutumia huduma ya Azure Machine Learning. Unaweza kuingiliana na huduma hii katika mazingira yoyote ya Python, ikiwa ni pamoja na Jupyter Notebooks, Visual Studio Code, au IDE yako unayoipenda ya Python.
+
+Maeneo muhimu ya SDK ni:
+
+- Kuchunguza, kuandaa na kusimamia mzunguko wa maisha wa seti za data zinazotumika katika majaribio ya mafunzo ya mashine.
+- Kusimamia rasilimali za wingu kwa ufuatiliaji, kuandika kumbukumbu, na kupanga majaribio ya mafunzo ya mashine.
+- Kufundisha modeli ama kwa ndani au kwa kutumia rasilimali za wingu, ikiwa ni pamoja na mafunzo ya modeli yanayoharakishwa na GPU.
+- Kutumia mafunzo ya mashine yaliyojiendesha, ambayo yanakubali vigezo vya usanidi na data ya mafunzo. Inarudia kiotomatiki kupitia algoriti na mipangilio ya hyperparameter ili kupata modeli bora kwa utabiri.
+- Kuweka huduma za wavuti ili kubadilisha modeli zako zilizofundishwa kuwa huduma za RESTful zinazoweza kutumika katika programu yoyote.
+
+[Jifunze zaidi kuhusu Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Katika [somo lililopita](../18-Low-Code/README.md), tuliona jinsi ya kufundisha, kuweka na kutumia modeli kwa njia ya Low code/No code. Tulitumia seti ya data ya Kushindwa kwa Moyo kuunda modeli ya utabiri wa kushindwa kwa moyo. Katika somo hili, tutafanya jambo lile lile lakini kwa kutumia Azure Machine Learning SDK.
+
+![project-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sw.png)
+
+### 1.2 Utangulizi wa mradi wa utabiri wa kushindwa kwa moyo na seti ya data
+
+Angalia [hapa](../18-Low-Code/README.md) utangulizi wa mradi wa utabiri wa kushindwa kwa moyo na seti ya data.
+
+## 2. Kufundisha modeli kwa Azure ML SDK
+### 2.1 Kuunda eneo la kazi la Azure ML
+
+Kwa urahisi, tutafanya kazi kwenye jupyter notebook. Hii inamaanisha kuwa tayari una Eneo la Kazi na mfano wa kompyuta. Ikiwa tayari una Eneo la Kazi, unaweza kuruka moja kwa moja kwenye sehemu ya 2.3 Kuunda Notebook.
+
+Ikiwa huna, tafadhali fuata maelekezo katika sehemu **2.1 Kuunda eneo la kazi la Azure ML** katika [somo lililopita](../18-Low-Code/README.md) kuunda eneo la kazi.
+
+### 2.2 Kuunda mfano wa kompyuta
+
+Katika [eneo la kazi la Azure ML](https://ml.azure.com/) tulilounda awali, nenda kwenye menyu ya kompyuta na utaona rasilimali tofauti za kompyuta zinazopatikana.
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sw.png)
+
+Hebu tuunde mfano wa kompyuta ili kuandaa jupyter notebook. 
+1. Bonyeza kitufe cha + New. 
+2. Peana jina kwa mfano wako wa kompyuta.
+3. Chagua chaguo zako: CPU au GPU, ukubwa wa VM na idadi ya cores.
+4. Bonyeza kitufe cha Create.
+
+Hongera, umekamilisha kuunda mfano wa kompyuta! Tutatumia mfano huu wa kompyuta kuunda Notebook katika sehemu ya [Kuunda Notebooks](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Kupakia seti ya data
+Rejelea [somo lililopita](../18-Low-Code/README.md) katika sehemu **2.3 Kupakia seti ya data** ikiwa bado hujapakia seti ya data.
+
+### 2.4 Kuunda Notebooks
+
+> **_NOTE:_** Kwa hatua inayofuata unaweza kuunda notebook mpya kutoka mwanzo, au unaweza kupakia [notebook tuliyounda](notebook.ipynb) katika Azure ML Studio yako. Ili kuipakia, bonyeza tu kwenye menyu ya "Notebook" na upakie notebook.
+
+Notebook ni sehemu muhimu sana ya mchakato wa sayansi ya takwimu. Zinatumika kufanya Uchambuzi wa Takwimu wa Kichunguzi (EDA), kuwasiliana na klasta ya kompyuta kufundisha modeli, au kuwasiliana na klasta ya utabiri kuweka endpoint.
+
+Ili kuunda Notebook, tunahitaji nodi ya kompyuta inayotoa huduma ya jupyter notebook. Rudi kwenye [eneo la kazi la Azure ML](https://ml.azure.com/) na bonyeza kwenye Compute instances. Katika orodha ya compute instances unapaswa kuona [mfano wa kompyuta tuliouunda awali](../../../../5-Data-Science-In-Cloud/19-Azure). 
+
+1. Katika sehemu ya Applications, bonyeza chaguo la Jupyter. 
+2. Weka tiki kwenye kisanduku cha "Yes, I understand" na bonyeza kitufe cha Continue.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sw.png)
+3. Hii itafungua tabo mpya ya kivinjari na mfano wako wa jupyter notebook kama ifuatavyo. Bonyeza kitufe cha "New" kuunda notebook.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sw.png)
+
+Sasa kwa kuwa tuna Notebook, tunaweza kuanza kufundisha modeli kwa Azure ML SDK.
+
+### 2.5 Kufundisha modeli
+
+Kwanza kabisa, ikiwa una shaka yoyote, rejelea [Azure ML SDK documentation](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Inayo taarifa zote muhimu za kuelewa moduli tutakazoziona katika somo hili.
+
+#### 2.5.1 Kuweka Eneo la Kazi, jaribio, klasta ya kompyuta na seti ya data
+
+Unahitaji kupakia `workspace` kutoka faili ya usanidi kwa kutumia msimbo ufuatao:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Hii inarudisha kitu cha aina ya `Workspace` kinachowakilisha eneo la kazi. Kisha unahitaji kuunda `experiment` kwa kutumia msimbo ufuatao:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Ili kupata au kuunda jaribio kutoka eneo la kazi, unahitaji jina la jaribio. Jina la jaribio lazima liwe na herufi 3-36, lianze na herufi au namba, na linaweza kuwa na herufi, namba, underscores, na dashes pekee. Ikiwa jaribio halipatikani katika eneo la kazi, jaribio jipya linaundwa.
+
+Sasa unahitaji kuunda klasta ya kompyuta kwa mafunzo kwa kutumia msimbo ufuatao. Kumbuka kuwa hatua hii inaweza kuchukua dakika chache. 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Unaweza kupata seti ya data kutoka eneo la kazi kwa kutumia jina la seti ya data kwa njia ifuatayo:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 Usanidi wa AutoML na mafunzo
+
+Ili kuweka usanidi wa AutoML, tumia [AutoMLConfig class](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Kama ilivyoelezwa katika nyaraka, kuna vigezo vingi ambavyo unaweza kucheza navyo. Kwa mradi huu, tutatumia vigezo vifuatavyo:
+
+- `experiment_timeout_minutes`: Muda wa juu (kwa dakika) ambao jaribio linaruhusiwa kuendesha kabla ya kusimamishwa kiotomatiki na matokeo kufanywa kupatikana kiotomatiki.
+- `max_concurrent_iterations`: Idadi ya juu ya majaribio ya mafunzo yanayoruhusiwa kuendesha kwa wakati mmoja.
+- `primary_metric`: Kipimo kikuu kinachotumika kuamua hali ya jaribio.
+- `compute_target`: Lengo la kompyuta la Azure Machine Learning kuendesha jaribio la Mafunzo ya Mashine Yaliyojiendesha.
+- `task`: Aina ya kazi ya kuendesha. Thamani zinaweza kuwa 'classification', 'regression', au 'forecasting' kulingana na aina ya tatizo la ML lililojiendesha.
+- `training_data`: Data ya mafunzo itakayotumika ndani ya jaribio. Inapaswa kuwa na vipengele vya mafunzo na safu ya lebo (kwa hiari safu ya uzito wa sampuli).
+- `label_column_name`: Jina la safu ya lebo.
+- `path`: Njia kamili ya folda ya mradi wa Azure Machine Learning.
+- `enable_early_stopping`: Ikiwa kuwezesha kusimamisha mapema ikiwa alama haibadiliki kwa muda mfupi.
+- `featurization`: Kiashiria cha ikiwa hatua ya featurization inapaswa kufanywa kiotomatiki au la, au ikiwa featurization iliyobinafsishwa inapaswa kutumika.
+- `debug_log`: Faili ya logi ya kuandika taarifa za utatuzi.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Sasa kwa kuwa umeseti usanidi wako, unaweza kufundisha modeli kwa kutumia msimbo ufuatao. Hatua hii inaweza kuchukua hadi saa moja kulingana na ukubwa wa klasta yako.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+Unaweza kuendesha widget ya RunDetails kuonyesha majaribio tofauti.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Uwekaji wa modeli na matumizi ya endpoint kwa Azure ML SDK
+
+### 3.1 Kuhifadhi modeli bora
+
+`remote_run` ni kitu cha aina ya [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Kitu hiki kina njia ya `get_output()` ambayo inarudisha jaribio bora na modeli iliyofaa.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+Unaweza kuona vigezo vilivyotumika kwa modeli bora kwa kuchapisha tu `fitted_model` na kuona mali za modeli bora kwa kutumia njia ya [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Sasa sajili modeli kwa kutumia njia ya [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Uwekaji wa modeli
+
+Baada ya modeli bora kuhifadhiwa, tunaweza kuiweka kwa kutumia darasa la [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig inawakilisha mipangilio ya usanidi kwa mazingira maalum yanayotumika kwa uwekaji. Darasa la [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) linawakilisha modeli ya mafunzo ya mashine iliyowekwa kama endpoint ya huduma ya wavuti kwenye Azure Container Instances. Huduma ya wavuti iliyowekwa ni endpoint ya HTTP yenye usawa wa mzigo na API ya REST. Unaweza kutuma data kwa API hii na kupokea utabiri uliorudishwa na modeli.
+
+Modeli inawekwa kwa kutumia njia ya [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Hatua hii inapaswa kuchukua dakika chache.
+
+### 3.3 Matumizi ya endpoint
+
+Unatumia endpoint yako kwa kuunda ingizo la sampuli:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+Kisha unaweza kutuma ingizo hili kwa modeli yako kwa utabiri:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```  
+Hii inapaswa kutoa `'{"result": [false]}'`. Hii inamaanisha kwamba data ya mgonjwa tuliyotuma kwa endpoint ilizalisha utabiri `false` ambayo inamaanisha mtu huyu hana uwezekano wa kupata shambulio la moyo.  
+
+Hongera! Umetumia modeli iliyowekwa na kufundishwa kwenye Azure ML kwa kutumia Azure ML SDK!  
+
+> **_NOTE:_** Ukimaliza mradi, usisahau kufuta rasilimali zote.  
+
+## 🚀 Changamoto  
+
+Kuna mambo mengine mengi unayoweza kufanya kupitia SDK, kwa bahati mbaya, hatuwezi kuyapitia yote katika somo hili. Lakini habari njema ni kwamba kujifunza jinsi ya kupitia haraka nyaraka za SDK kunaweza kukusaidia sana peke yako. Angalia nyaraka za Azure ML SDK na tafuta darasa la `Pipeline` ambalo linakuruhusu kuunda mifumo ya hatua. Pipeline ni mkusanyiko wa hatua ambazo zinaweza kutekelezwa kama mtiririko wa kazi.  
+
+**HINT:** Nenda kwenye [nyaraka za SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) na andika maneno muhimu kwenye kisanduku cha utafutaji kama "Pipeline". Unapaswa kuwa na darasa la `azureml.pipeline.core.Pipeline` katika matokeo ya utafutaji.  
+
+## [Jaribio baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)  
+
+## Mapitio na Kujifunza Binafsi  
+
+Katika somo hili, umejifunza jinsi ya kufundisha, kuweka na kutumia modeli kutabiri hatari ya kushindwa kwa moyo kwa kutumia Azure ML SDK kwenye wingu. Angalia [nyaraka hizi](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) kwa maelezo zaidi kuhusu Azure ML SDK. Jaribu kuunda modeli yako mwenyewe kwa kutumia Azure ML SDK.  
+
+## Kazi  
+
+[Mradi wa Sayansi ya Data kwa kutumia Azure ML SDK](assignment.md)  
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/sw/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..379380b3
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-26T16:17:00+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Mradi wa Sayansi ya Takwimu kwa kutumia Azure ML SDK
+
+## Maelekezo
+
+Tumeona jinsi ya kutumia jukwaa la Azure ML kufundisha, kupeleka, na kutumia mfano kwa kutumia Azure ML SDK. Sasa tafuta data ambayo unaweza kutumia kufundisha mfano mwingine, kupeleka, na kuutumia. Unaweza kutafuta seti za data kwenye [Kaggle](https://kaggle.com) na [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Rubric
+
+| Bora Kabisa | Inaridhisha | Inahitaji Kuboresha |
+|-------------|-------------|---------------------|
+|Wakati wa kufanya usanidi wa AutoML, ulipitia nyaraka za SDK kuona vigezo ambavyo ungeweza kutumia. Ulifanya mafunzo kwenye seti ya data kupitia AutoML ukitumia Azure ML SDK, na ukakagua maelezo ya mfano. Ulileta mfano bora zaidi na uliweza kuutumia kupitia Azure ML SDK. | Ulifanya mafunzo kwenye seti ya data kupitia AutoML ukitumia Azure ML SDK, na ukakagua maelezo ya mfano. Ulileta mfano bora zaidi na uliweza kuutumia kupitia Azure ML SDK. | Ulifanya mafunzo kwenye seti ya data kupitia AutoML ukitumia Azure ML SDK. Ulileta mfano bora zaidi na uliweza kuutumia kupitia Azure ML SDK. |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/5-Data-Science-In-Cloud/README.md b/translations/sw/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..132ad921
--- /dev/null
+++ b/translations/sw/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-26T15:52:36+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu kwenye Wingu
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sw.jpg)
+
+> Picha na [Jelleke Vanooteghem](https://unsplash.com/@ilumire) kutoka [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Linapokuja suala la kufanya sayansi ya takwimu na data kubwa, wingu linaweza kuwa mabadiliko makubwa. Katika masomo matatu yajayo, tutaangalia wingu ni nini na kwa nini linaweza kuwa msaada mkubwa. Pia tutaangazia seti ya data ya kushindwa kwa moyo na kujenga mfano wa kusaidia kutathmini uwezekano wa mtu kupata kushindwa kwa moyo. Tutatumia nguvu ya wingu kufundisha, kupeleka, na kutumia mfano kwa njia mbili tofauti. Njia moja ni kwa kutumia tu kiolesura cha mtumiaji kwa mtindo wa "Low code/No code", na njia nyingine ni kwa kutumia Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sw.png)
+
+### Mada
+
+1. [Kwa nini utumie Wingu kwa Sayansi ya Takwimu?](17-Introduction/README.md)
+2. [Sayansi ya Takwimu kwenye Wingu: Njia ya "Low code/No code"](18-Low-Code/README.md)
+3. [Sayansi ya Takwimu kwenye Wingu: Njia ya "Azure ML SDK"](19-Azure/README.md)
+
+### Shukrani
+Masomo haya yaliandikwa kwa ☁️ na 💕 na [Maud Levy](https://twitter.com/maudstweets) na [Tiffany Souterre](https://twitter.com/TiffanySouterre)
+
+Data ya mradi wa Utabiri wa Kushindwa kwa Moyo imetolewa kutoka kwa [
+Larxel](https://www.kaggle.com/andrewmvd) kwenye [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Imetolewa chini ya leseni ya [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..fd32bbd5
--- /dev/null
+++ b/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,155 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-26T15:44:27+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu Katika Ulimwengu Halisi
+
+| ![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Sayansi ya Takwimu Katika Ulimwengu Halisi - _Sketchnote na [@nitya](https://twitter.com/nitya)_               |
+
+Tuko karibu kumaliza safari hii ya kujifunza!
+
+Tulianza na ufafanuzi wa sayansi ya takwimu na maadili, tukachunguza zana na mbinu mbalimbali za uchambuzi wa takwimu na uwasilishaji, tukapitia mzunguko wa maisha wa sayansi ya takwimu, na tukatazama jinsi ya kupanua na kuendesha kazi za sayansi ya takwimu kwa kutumia huduma za kompyuta za wingu. Kwa hivyo, labda unajiuliza: _"Je, ninawezaje kuhusisha haya yote na muktadha wa ulimwengu halisi?"_
+
+Katika somo hili, tutachunguza matumizi ya sayansi ya takwimu katika sekta mbalimbali na kuangalia mifano maalum katika utafiti, masuala ya kibinadamu ya kidijitali, na uendelevu. Tutatazama fursa za miradi ya wanafunzi na kumalizia na rasilimali muhimu zitakazokusaidia kuendelea na safari yako ya kujifunza!
+
+## Maswali Kabla ya Somo
+
+[Maswali kabla ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Sayansi ya Takwimu + Sekta
+
+Shukrani kwa demokrasia ya AI, sasa watengenezaji wanapata urahisi wa kubuni na kuunganisha maamuzi yanayoendeshwa na AI na maarifa yanayotokana na takwimu katika uzoefu wa watumiaji na mtiririko wa kazi za maendeleo. Hapa kuna mifano kadhaa ya jinsi sayansi ya takwimu inavyotumika katika ulimwengu halisi kwenye sekta mbalimbali:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ilitumia sayansi ya takwimu kuhusisha maneno ya utafutaji na mwenendo wa mafua. Ingawa mbinu hiyo ilikuwa na mapungufu, ilileta ufahamu kuhusu uwezekano (na changamoto) za utabiri wa afya unaotegemea takwimu.
+
+ * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - inaelezea jinsi UPS inavyotumia sayansi ya takwimu na ujifunzaji wa mashine kutabiri njia bora za usafirishaji, ikizingatia hali ya hewa, mifumo ya trafiki, muda wa mwisho wa utoaji, na zaidi.
+
+ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - takwimu zilizokusanywa kwa kutumia [Sheria za Uhuru wa Habari](https://chriswhong.com/open-data/foil_nyc_taxi/) zilisaidia kuonyesha siku moja katika maisha ya teksi za NYC, zikituonyesha jinsi zinavyosafiri katika jiji lenye shughuli nyingi, pesa wanazopata, na muda wa safari kwa kila kipindi cha masaa 24.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - hutumia takwimu (kama maeneo ya kuchukua na kushuka, muda wa safari, njia zinazopendekezwa n.k.) zilizokusanywa kutoka mamilioni ya safari za Uber *kila siku* kujenga zana ya uchambuzi wa takwimu kusaidia katika bei, usalama, kugundua udanganyifu, na maamuzi ya urambazaji.
+
+ * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - inazingatia _uchambuzi wa utabiri_ (uchambuzi wa timu na wachezaji - fikiria [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - na usimamizi wa mashabiki) na _uwasilishaji wa takwimu_ (dashibodi za timu na mashabiki, michezo n.k.) na matumizi kama utafutaji wa vipaji, kamari ya michezo, na usimamizi wa vifaa/maeneo.
+
+ * [Sayansi ya Takwimu katika Benki](https://data-flair.training/blogs/data-science-in-banking/) - inaonyesha thamani ya sayansi ya takwimu katika sekta ya fedha na matumizi yanayojumuisha uundaji wa mifano ya hatari, kugundua udanganyifu, kugawanya wateja, utabiri wa wakati halisi, na mifumo ya mapendekezo. Uchambuzi wa utabiri pia unaendesha hatua muhimu kama [alama za mkopo](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Sayansi ya Takwimu katika Afya](https://data-flair.training/blogs/data-science-in-healthcare/) - inaonyesha matumizi kama picha za matibabu (mfano, MRI, X-Ray, CT-Scan), genomics (mpangilio wa DNA), maendeleo ya dawa (tathmini ya hatari, utabiri wa mafanikio), uchambuzi wa utabiri (huduma ya wagonjwa na vifaa vya usambazaji), ufuatiliaji wa magonjwa na kuzuia n.k.
+
+![Matumizi ya Sayansi ya Takwimu Katika Ulimwengu Halisi](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sw.png) Picha: [Data Flair: Matumizi 6 ya Kushangaza ya Sayansi ya Takwimu ](https://data-flair.training/blogs/data-science-applications/)
+
+Mchoro unaonyesha maeneo mengine na mifano ya kutumia mbinu za sayansi ya takwimu. Unataka kuchunguza matumizi mengine? Angalia sehemu ya [Mapitio na Kujisomea](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) hapa chini.
+
+## Sayansi ya Takwimu + Utafiti
+
+| ![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Sayansi ya Takwimu & Utafiti - _Sketchnote na [@nitya](https://twitter.com/nitya)_              |
+
+Ingawa matumizi ya ulimwengu halisi mara nyingi yanazingatia kesi za matumizi ya sekta kwa kiwango kikubwa, matumizi ya _utafiti_ yanaweza kuwa muhimu kutoka mitazamo miwili:
+
+* _fursa za uvumbuzi_ - kuchunguza utengenezaji wa haraka wa dhana za hali ya juu na kupima uzoefu wa watumiaji kwa matumizi ya kizazi kijacho.
+* _changamoto za utekelezaji_ - kuchunguza madhara yanayoweza kutokea au matokeo yasiyotarajiwa ya teknolojia za sayansi ya takwimu katika muktadha wa ulimwengu halisi.
+
+Kwa wanafunzi, miradi ya utafiti inaweza kutoa fursa za kujifunza na kushirikiana ambazo zinaweza kuboresha uelewa wako wa mada, na kupanua ufahamu wako na ushirikiano na watu au timu zinazofanya kazi katika maeneo ya maslahi. Kwa hivyo miradi ya utafiti inaonekanaje na inaweza kuwa na athari gani?
+
+Hebu tuangalie mfano mmoja - [MIT Gender Shades Study](http://gendershades.org/overview.html) kutoka Joy Buolamwini (MIT Media Labs) na [karatasi ya utafiti maarufu](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) iliyoandikwa kwa ushirikiano na Timnit Gebru (wakati huo akiwa Microsoft Research) ambayo ililenga:
+
+ * **Nini:** Lengo la mradi wa utafiti lilikuwa _kutathmini upendeleo uliopo katika algoriti za uchambuzi wa uso na seti za data_ kulingana na jinsia na aina ya ngozi.
+ * **Kwa nini:** Uchambuzi wa uso hutumika katika maeneo kama utekelezaji wa sheria, usalama wa viwanja vya ndege, mifumo ya kuajiri na zaidi - muktadha ambapo uainishaji usio sahihi (mfano, kutokana na upendeleo) unaweza kusababisha madhara ya kiuchumi na kijamii kwa watu au vikundi vilivyoathiriwa. Kuelewa (na kuondoa au kupunguza) upendeleo ni muhimu kwa usawa katika matumizi.
+ * **Jinsi:** Watafiti walitambua kuwa viwango vilivyopo vilitumia zaidi masomo yenye ngozi nyepesi, na wakatengeneza seti mpya ya data (picha 1000+) ambayo ilikuwa _imebalansishwa zaidi_ kwa jinsia na aina ya ngozi. Seti ya data ilitumika kutathmini usahihi wa bidhaa tatu za uainishaji wa jinsia (kutoka Microsoft, IBM & Face++).
+
+Matokeo yalionyesha kuwa ingawa usahihi wa jumla wa uainishaji ulikuwa mzuri, kulikuwa na tofauti kubwa katika viwango vya makosa kati ya vikundi mbalimbali - na **makosa ya uainishaji wa jinsia** kuwa juu kwa wanawake au watu wenye ngozi nyeusi, ikionyesha upendeleo.
+
+**Matokeo Muhimu:** Ilileta ufahamu kwamba sayansi ya takwimu inahitaji seti za data _zinazowakilisha zaidi_ (vikundi vilivyobalansishwa) na timu _shirikishi zaidi_ (asili mbalimbali) ili kutambua na kuondoa au kupunguza upendeleo kama huo mapema katika suluhisho za AI. Juhudi za utafiti kama hizi pia ni muhimu kwa mashirika mengi kufafanua kanuni na mazoea ya _AI inayowajibika_ ili kuboresha usawa katika bidhaa na michakato yao ya AI.
+
+**Unataka kujifunza kuhusu juhudi za utafiti zinazohusiana katika Microsoft?**
+
+* Angalia [Miradi ya Utafiti ya Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) kuhusu Akili Bandia.
+* Chunguza miradi ya wanafunzi kutoka [Shule ya Majira ya Joto ya Sayansi ya Takwimu ya Microsoft Research](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Angalia mradi wa [Fairlearn](https://fairlearn.org/) na juhudi za [AI inayowajibika](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Sayansi ya Takwimu + Masuala ya Kibinadamu
+
+| ![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Sayansi ya Takwimu & Masuala ya Kibinadamu ya Kidijitali - _Sketchnote na [@nitya](https://twitter.com/nitya)_              |
+
+Masuala ya Kibinadamu ya Kidijitali [yamefafanuliwa](https://digitalhumanities.stanford.edu/about-dh-stanford) kama "mkusanyiko wa mazoea na mbinu zinazochanganya mbinu za kompyuta na uchunguzi wa kibinadamu". [Miradi ya Stanford](https://digitalhumanities.stanford.edu/projects) kama _"kuanzisha upya historia"_ na _"fikra za kishairi"_ inaonyesha uhusiano kati ya [Masuala ya Kibinadamu ya Kidijitali na Sayansi ya Takwimu](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - ikisisitiza mbinu kama uchambuzi wa mitandao, uwasilishaji wa taarifa, uchambuzi wa anga na maandishi ambayo yanaweza kutusaidia kutazama upya seti za data za kihistoria na fasihi ili kupata maarifa na mitazamo mipya.
+
+*Unataka kuchunguza na kupanua mradi katika eneo hili?*
+
+Angalia ["Emily Dickinson na Kipimo cha Hisia"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - mfano mzuri kutoka [Jen Looper](https://twitter.com/jenlooper) unaouliza jinsi tunavyoweza kutumia sayansi ya takwimu kutazama upya mashairi yanayojulikana na kutathmini upya maana yake na mchango wa mwandishi wake katika muktadha mpya. Kwa mfano, _je, tunaweza kutabiri msimu ambao shairi liliandikwa kwa kuchambua sauti au hisia zake_ - na hili linatuambia nini kuhusu hali ya akili ya mwandishi katika kipindi husika?
+
+Ili kujibu swali hilo, tunafuata hatua za mzunguko wa maisha wa sayansi ya takwimu:
+ * [`Upatikanaji wa Takwimu`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - kukusanya seti ya data inayofaa kwa uchambuzi. Chaguo ni pamoja na kutumia API (mfano, [Poetry DB API](https://poetrydb.org/index.html)) au kuchota kurasa za wavuti (mfano, [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) kwa kutumia zana kama [Scrapy](https://scrapy.org/).
+ * [`Usafishaji wa Takwimu`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - inaelezea jinsi maandishi yanavyoweza kufanyiwa muundo, kusafishwa, na kurahisishwa kwa kutumia zana za msingi kama Visual Studio Code na Microsoft Excel.
+ * [`Uchambuzi wa Takwimu`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - inaelezea jinsi tunavyoweza kuingiza seti ya data katika "Notebooks" kwa uchambuzi kwa kutumia pakiti za Python (kama pandas, numpy na matplotlib) kupanga na kuonyesha takwimu.
+ * [`Uchambuzi wa Hisia`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - inaelezea jinsi tunavyoweza kuunganisha huduma za wingu kama Text Analytics, kwa kutumia zana za kiwango cha chini kama [Power Automate](https://flow.microsoft.com/en-us/) kwa mtiririko wa kazi wa usindikaji wa takwimu kiotomatiki.
+
+Kwa kutumia mtiririko huu, tunaweza kuchunguza athari za msimu kwenye hisia za mashairi, na kutusaidia kuunda mitazamo yetu wenyewe kuhusu mwandishi. Jaribu mwenyewe - kisha panua notebook ili kuuliza maswali mengine au kuonyesha takwimu kwa njia mpya!
+
+> Unaweza kutumia baadhi ya zana katika [Kifaa cha Masuala ya Kibinadamu ya Kidijitali](https://github.com/Digital-Humanities-Toolkit) kufuatilia njia hizi za uchunguzi.
+
+## Sayansi ya Takwimu + Uendelevu
+
+| ![ Sketchnote na [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Sayansi ya Takwimu & Uendelevu - _Sketchnote na [@nitya](https://twitter.com/nitya)_              |
+
+[Ajenda ya 2030 ya Maendeleo Endelevu](https://sdgs.un.org/2030agenda) - iliyopitishwa na wanachama wote wa Umoja wa Mataifa mwaka 2015 - inatambua malengo 17 ikiwa ni pamoja na yale yanayolenga **Kulinda Sayari** dhidi ya uharibifu na athari za mabadiliko ya hali ya hewa. Juhudi za [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) zinaunga mkono malengo haya kwa kuchunguza njia ambazo suluhisho za kiteknolojia zinaweza kusaidia na kujenga mustakabali endelevu zaidi kwa [malengo 4](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - kuwa na kaboni hasi, maji chanya, taka sifuri, na bioanuwai kufikia mwaka 2030.
+
+Kukabiliana na changamoto hizi kwa kiwango kikubwa na kwa wakati unaofaa kunahitaji fikra za kiwango cha wingu - na takwimu kubwa. Juhudi za [Kompyuta ya Sayari](https://planetarycomputer.microsoft.com/) zinatoa vipengele 4 kusaidia wanasayansi wa takwimu na watengenezaji katika juhudi hizi:
+
+ * [Katalogi ya Takwimu](https://planetarycomputer.microsoft.com/catalog) - yenye petabytes za takwimu za Mfumo wa Dunia (bure na zinazohifadhiwa kwenye Azure).
+ * [API ya Sayari](https://planetarycomputer.microsoft.com/docs/reference/stac/) - kusaidia watumiaji kutafuta takwimu zinazofaa kwa nafasi na wakati.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - mazingira yanayosimamiwa kwa wanasayansi kusindika seti kubwa za takwimu za kijiografia.
+ * [Matumizi](https://planetarycomputer.microsoft.com/applications) - kuonyesha kesi za matumizi na zana za maarifa ya uendelevu.
+**Mradi wa Planetary Computer kwa sasa uko katika awamu ya majaribio (kuanzia Sep 2021)** - hapa kuna jinsi unavyoweza kuanza kuchangia suluhisho za uendelevu kwa kutumia sayansi ya data.
+
+* [Omba ruhusa](https://planetarycomputer.microsoft.com/account/request) ili kuanza kuchunguza na kuungana na wenzao.
+* [Chunguza nyaraka](https://planetarycomputer.microsoft.com/docs/overview/about) ili kuelewa seti za data na API zinazoungwa mkono.
+* Chunguza programu kama [Ufuatiliaji wa Mfumo wa Ikolojia](https://analytics-lab.org/ecosystemmonitoring/) kwa msukumo wa mawazo ya programu.
+
+Fikiria jinsi unavyoweza kutumia uwasilishaji wa data kufichua au kuimarisha maarifa muhimu katika maeneo kama mabadiliko ya tabianchi na ukataji miti. Au fikiria jinsi maarifa hayo yanavyoweza kutumika kuunda uzoefu mpya wa watumiaji unaochochea mabadiliko ya tabia kwa maisha endelevu zaidi.
+
+## Sayansi ya Data + Wanafunzi
+
+Tumeelezea matumizi ya ulimwengu halisi katika sekta na utafiti, na tukachunguza mifano ya matumizi ya sayansi ya data katika masuala ya kidijitali ya kibinadamu na uendelevu. Sasa, ni vipi unaweza kujenga ujuzi wako na kushiriki utaalamu wako kama wanafunzi wa sayansi ya data wanaoanza?
+
+Hapa kuna mifano ya miradi ya wanafunzi wa sayansi ya data ili kukupa msukumo.
+
+* [Shule ya Majira ya Joto ya Sayansi ya Data ya MSR](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) na [miradi](https://github.com/msr-ds3) kwenye GitHub inayochunguza mada kama:
+   - [Upendeleo wa Kijamii katika Matumizi ya Nguvu na Polisi](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+   - [Uaminifu wa Mfumo wa Subway wa NYC](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+* [Kidijitali Utamaduni wa Vifaa: Kuchunguza mgawanyo wa kijamii na kiuchumi huko Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - kutoka kwa [Ornella Altunyan](https://twitter.com/ornelladotcom) na timu yake huko Claremont, wakitumia [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Changamoto
+
+Tafuta makala yanayopendekeza miradi ya sayansi ya data inayofaa kwa wanaoanza - kama [hizi mada 50](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) au [hizi mawazo 21 ya miradi](https://www.intellspot.com/data-science-project-ideas) au [hii miradi 16 yenye msimbo wa chanzo](https://data-flair.training/blogs/data-science-project-ideas/) unayoweza kuchambua na kurekebisha. Na usisahau kublogi kuhusu safari zako za kujifunza na kushiriki maarifa yako nasi sote.
+
+## Jaribio Baada ya Somo
+
+[Jaribio baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Mapitio & Kujisomea
+
+Unataka kuchunguza matumizi zaidi? Hapa kuna makala chache zinazohusiana:
+* [Matumizi 17 ya Sayansi ya Data na Mifano](https://builtin.com/data-science/data-science-applications-examples) - Jul 2021
+* [Matumizi 11 ya Kushangaza ya Sayansi ya Data katika Ulimwengu Halisi](https://myblindbird.com/data-science-applications-real-world/) - Mei 2021
+* [Sayansi ya Data Katika Ulimwengu Halisi](https://towardsdatascience.com/data-science-in-the-real-world/home) - Mkusanyiko wa Makala
+* Sayansi ya Data Katika: [Elimu](https://data-flair.training/blogs/data-science-in-education/), [Kilimo](https://data-flair.training/blogs/data-science-in-agriculture/), [Fedha](https://data-flair.training/blogs/data-science-in-finance/), [Filamu](https://data-flair.training/blogs/data-science-at-movies/) na zaidi.
+
+## Kazi
+
+[Chunguza Seti ya Data ya Planetary Computer](assignment.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..b1265a4c
--- /dev/null
+++ b/translations/sw/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-26T15:51:19+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "sw"
+}
+-->
+# Chunguza Dataset ya Kompyuta ya Sayari
+
+## Maelekezo
+
+Katika somo hili, tulijadili maeneo mbalimbali ya matumizi ya sayansi ya data - tukichambua kwa kina mifano inayohusiana na utafiti, uendelevu, na ubinadamu wa kidijitali. Katika kazi hii, utachunguza moja ya mifano hii kwa undani zaidi, na kutumia baadhi ya maarifa yako kuhusu taswira za data na uchambuzi ili kupata ufahamu kuhusu data ya uendelevu.
+
+Mradi wa [Planetary Computer](https://planetarycomputer.microsoft.com/) una datasets na APIs ambazo zinaweza kufikiwa kwa akaunti - omba moja ili kupata hatua ya ziada ya kazi hii. Tovuti pia inatoa kipengele cha [Explorer](https://planetarycomputer.microsoft.com/explore) ambacho unaweza kutumia bila kuunda akaunti. 
+
+`Hatua:`
+Kiolesura cha Explorer (kinachoonyeshwa kwenye picha hapa chini) kinakuruhusu kuchagua dataset (kutoka kwa chaguo zilizotolewa), swali lililowekwa awali (kuchuja data) na chaguo la uwasilishaji (kuunda taswira inayofaa). Katika kazi hii, jukumu lako ni:
+
+ 1. Soma [Explorer documentation](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - elewa chaguo zilizopo.
+ 2. Chunguza [Catalog ya dataset](https://planetarycomputer.microsoft.com/catalog) - elewa madhumuni ya kila moja.
+ 3. Tumia Explorer - chagua dataset inayokuvutia, chagua swali linalofaa na chaguo la uwasilishaji.
+
+![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sw.png)
+
+`Jukumu Lako:`
+Sasa chunguza taswira inayotolewa kwenye kivinjari na jibu yafuatayo:
+ * Dataset ina _vipengele_ gani?
+ * Taswira inatoa _ufahamu_ au matokeo gani?
+ * Ufafanuzi wa ufahamu huo una _maana gani_ kwa malengo ya uendelevu ya mradi?
+ * _Mapungufu_ ya taswira ni yapi (yaani, ni ufahamu gani hukupata?)
+ * Ikiwa ungeweza kupata data ghafi, ungeunda _taswira mbadala_ gani, na kwa nini?
+
+`Pointi za Ziada:`
+Omba akaunti - na ingia ukikubaliwa.
+ * Tumia chaguo la _Launch Hub_ kufungua data ghafi kwenye Notebook.
+ * Chunguza data kwa njia ya maingiliano, na tekeleza taswira mbadala ulizofikiria.
+ * Sasa chunguza taswira zako za kawaida - je, uliweza kupata ufahamu uliokosa awali?
+
+## Rubric
+
+Bora Zaidi | Inayotosheleza | Inahitaji Kuboresha
+--- | --- | -- |
+Maswali yote matano ya msingi yalijibiwa. Mwanafunzi alibainisha wazi jinsi taswira za sasa na mbadala zinaweza kutoa ufahamu kuhusu malengo au matokeo ya uendelevu.| Mwanafunzi alijibu angalau maswali 3 ya juu kwa undani mkubwa, akionyesha kuwa alikuwa na uzoefu wa vitendo na Explorer. | Mwanafunzi alishindwa kujibu maswali kadhaa, au alitoa maelezo yasiyotosheleza - ikionyesha kuwa hakuna jaribio la maana lililofanywa kwa mradi |
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/6-Data-Science-In-Wild/README.md b/translations/sw/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..85a46bfc
--- /dev/null
+++ b/translations/sw/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-26T15:43:53+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu Katika Mazingira Halisi
+
+Matumizi ya sayansi ya takwimu katika sekta mbalimbali za maisha halisi.
+
+### Mada
+
+1. [Sayansi ya Takwimu Katika Maisha Halisi](20-Real-World-Examples/README.md)
+
+### Shukrani
+
+Imeandikwa kwa ❤️ na [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/CODE_OF_CONDUCT.md b/translations/sw/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..90515f09
--- /dev/null
+++ b/translations/sw/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-26T14:23:43+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "sw"
+}
+-->
+# Kanuni za Maadili ya Microsoft Open Source
+
+Mradi huu umechukua [Kanuni za Maadili za Microsoft Open Source](https://opensource.microsoft.com/codeofconduct/).
+
+Rasilimali:
+
+- [Kanuni za Maadili za Microsoft Open Source](https://opensource.microsoft.com/codeofconduct/)
+- [Maswali Yanayoulizwa Mara kwa Mara kuhusu Kanuni za Maadili](https://opensource.microsoft.com/codeofconduct/faq/)
+- Wasiliana na [opencode@microsoft.com](mailto:opencode@microsoft.com) kwa maswali au wasiwasi
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/CONTRIBUTING.md b/translations/sw/CONTRIBUTING.md
new file mode 100644
index 00000000..83c93875
--- /dev/null
+++ b/translations/sw/CONTRIBUTING.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-26T14:26:28+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "sw"
+}
+-->
+# Kuchangia
+
+Mradi huu unakaribisha michango na mapendekezo. Michango mingi inahitaji wewe
+kukubaliana na Mkataba wa Leseni ya Mchangiaji (CLA) unaoeleza kwamba una haki ya,
+na kwa kweli unatoa, ruhusa kwetu kutumia mchango wako. Kwa maelezo zaidi, tembelea
+https://cla.microsoft.com.
+
+Unapowasilisha ombi la kuvuta (pull request), CLA-bot itajua moja kwa moja kama unahitaji
+kutoa CLA na itaweka alama kwenye PR ipasavyo (mfano, lebo, maoni). Fuata tu
+maelekezo yanayotolewa na bot. Utahitaji kufanya hili mara moja tu kwa miradi yote inayotumia CLA yetu.
+
+Mradi huu umechukua [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/).
+Kwa maelezo zaidi angalia [Maswali Yanayoulizwa Mara kwa Mara kuhusu Kanuni za Maadili](https://opensource.microsoft.com/codeofconduct/faq/)
+au wasiliana na [opencode@microsoft.com](mailto:opencode@microsoft.com) kwa maswali au maoni ya ziada.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/README.md b/translations/sw/README.md
new file mode 100644
index 00000000..d8cb621f
--- /dev/null
+++ b/translations/sw/README.md
@@ -0,0 +1,152 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-26T14:14:15+00:00",
+  "source_file": "README.md",
+  "language_code": "sw"
+}
+-->
+# Sayansi ya Takwimu kwa Kompyuta - Mtaala
+
+Azure Cloud Advocates katika Microsoft wanatoa mtaala wa wiki 10, masomo 20 kuhusu Sayansi ya Takwimu. Kila somo linajumuisha maswali ya kabla na baada ya somo, maelekezo ya maandishi ya kukamilisha somo, suluhisho, na kazi ya nyumbani. Mbinu yetu ya kujifunza kwa miradi inakuruhusu kujifunza huku ukijenga, njia iliyothibitishwa ya kuhakikisha ujuzi mpya unakaa.
+
+**Shukrani za dhati kwa waandishi wetu:** [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).
+
+**🙏 Shukrani za pekee 🙏 kwa [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) waandishi, wakaguzi na wachangiaji wa maudhui,** hasa 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/)
+
+## Tangazo - Mtaala Mpya wa AI ya Kizazi Umetolewa!
+
+Tumetoa mtaala wa masomo 12 kuhusu AI ya kizazi. Jifunze mambo kama:
+
+- Uhandisi wa maelekezo
+- Uundaji wa programu za maandishi na picha
+- Programu za utafutaji
+
+Kama kawaida, kuna somo, kazi za kukamilisha, ukaguzi wa maarifa na changamoto.
+
+Angalia hapa:
+
+> https://aka.ms/genai-beginners
+
+# Je, wewe ni mwanafunzi?
+
+Anza na rasilimali zifuatazo:
+
+- [Ukurasa wa Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Katika ukurasa huu, utapata rasilimali za wanaoanza, vifurushi vya wanafunzi na hata njia za kupata vocha ya cheti bila malipo. Huu ni ukurasa wa kuuweka alama na kuutembelea mara kwa mara kwani tunabadilisha maudhui angalau kila mwezi.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Jiunge na jamii ya kimataifa ya mabalozi wa wanafunzi, hii inaweza kuwa njia yako ya kuingia Microsoft.
+
+# Kuanza
+
+> **Walimu**: tumetoa [mapendekezo kadhaa](for-teachers.md) ya jinsi ya kutumia mtaala huu. Tunapenda maoni yako [katika jukwaa letu la majadiliano](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Wanafunzi](https://aka.ms/student-page)**: ili kutumia mtaala huu peke yako, fanya nakala ya repo nzima na ukamilishe mazoezi peke yako, ukianza na jaribio la kabla ya somo. Kisha soma somo na ukamilishe shughuli nyingine. Jaribu kuunda miradi kwa kuelewa masomo badala ya kunakili msimbo wa suluhisho; hata hivyo, msimbo huo unapatikana katika folda za /solutions katika kila somo linalohusiana na mradi. Wazo jingine ni kuunda kikundi cha kujifunza na marafiki na kupitia maudhui pamoja. Kwa masomo zaidi, tunapendekeza [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Kutana na Timu
+
+> 🎥 Bofya picha hapo juu kwa video kuhusu mradi na watu waliouunda!
+
+## Mbinu ya Kufundisha
+
+Tumechagua kanuni mbili za kufundisha wakati wa kuunda mtaala huu: kuhakikisha kuwa ni wa miradi na kwamba unajumuisha maswali ya mara kwa mara. Mwisho wa mfululizo huu, wanafunzi watakuwa wamejifunza kanuni za msingi za sayansi ya takwimu, ikiwa ni pamoja na dhana za kimaadili, maandalizi ya takwimu, njia tofauti za kufanya kazi na takwimu, uwasilishaji wa takwimu, uchambuzi wa takwimu, matumizi halisi ya sayansi ya takwimu, na zaidi.
+
+Aidha, jaribio la hatari ndogo kabla ya darasa huweka nia ya mwanafunzi kuelekea kujifunza mada, wakati jaribio la pili baada ya darasa linahakikisha uhifadhi zaidi. Mtaala huu uliundwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kwa ukamilifu au kwa sehemu. Miradi huanza kwa ndogo na kuwa ngumu zaidi mwishoni mwa mzunguko wa wiki 10.
+
+> Pata [Kanuni za Maadili](CODE_OF_CONDUCT.md), [Mchango](CONTRIBUTING.md), [Miongozo ya Tafsiri](TRANSLATIONS.md). Tunakaribisha maoni yako ya kujenga!
+
+## Kila somo linajumuisha:
+
+- Sketchnote ya hiari
+- Video ya ziada ya hiari
+- Jaribio la joto la kabla ya somo
+- Somo la maandishi
+- Kwa masomo yanayohusiana na miradi, mwongozo wa hatua kwa hatua wa jinsi ya kujenga mradi
+- Ukaguzi wa maarifa
+- Changamoto
+- Usomaji wa ziada
+- Kazi ya nyumbani
+- Jaribio la baada ya somo
+
+> **Kuhusu maswali ya jaribio**: Maswali yote ya jaribio yamejumuishwa katika folda ya Quiz-App, kwa jumla ya maswali 40 ya jaribio yenye maswali matatu kila moja. Yameunganishwa kutoka ndani ya masomo, lakini programu ya jaribio inaweza kuendeshwa ndani au kupelekwa Azure; fuata maelekezo katika folda ya `quiz-app`. Yanatafsiriwa polepole.
+
+## Masomo
+
+| Namba ya Somo | Mada | Kundi la Somo | Malengo ya Kujifunza | Somo Lililounganishwa | Mwandishi |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Kufafanua Sayansi ya Takwimu | [Utangulizi](1-Introduction/README.md) | Jifunze dhana za msingi za sayansi ya takwimu na jinsi inavyohusiana na akili bandia, ujifunzaji wa mashine, na takwimu kubwa. | [somo](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Maadili ya Sayansi ya Takwimu | [Utangulizi](1-Introduction/README.md) | Dhana za Maadili ya Takwimu, Changamoto na Mfumo. | [somo](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Kufafanua Takwimu | [Utangulizi](1-Introduction/README.md) | Jinsi takwimu zinavyogawanywa na vyanzo vyake vya kawaida. | [somo](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Utangulizi wa Takwimu na Uwezekano | [Utangulizi](1-Introduction/README.md) | Mbinu za kihisabati za uwezekano na takwimu ili kuelewa takwimu. | [somo](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Kufanya Kazi na Takwimu za Uhusiano | [Kufanya Kazi na Takwimu](2-Working-With-Data/README.md) | Utangulizi wa takwimu za uhusiano na misingi ya kuchunguza na kuchambua takwimu za uhusiano kwa kutumia Structured Query Language, inayojulikana kama SQL. | [somo](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Kufanya Kazi na Takwimu za NoSQL | [Kufanya Kazi na Takwimu](2-Working-With-Data/README.md) | Utangulizi wa takwimu zisizo za uhusiano, aina zake mbalimbali na misingi ya kuchunguza na kuchambua hifadhidata za hati. | [somo](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Kufanya Kazi na Python | [Kufanya Kazi na Takwimu](2-Working-With-Data/README.md) | Misingi ya kutumia Python kwa uchunguzi wa takwimu kwa kutumia maktaba kama Pandas. Uelewa wa msingi wa programu ya Python unapendekezwa. | [somo](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Maandalizi ya Data | [Kufanya Kazi na Data](2-Working-With-Data/README.md) | Mada kuhusu mbinu za kusafisha na kubadilisha data ili kushughulikia changamoto za data iliyokosekana, isiyo sahihi, au isiyo kamili. | [somu](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Kuonyesha Kiasi | [Uonyeshaji wa Data](3-Data-Visualization/README.md) | Jifunze jinsi ya kutumia Matplotlib kuonyesha data ya ndege 🦆 | [somu](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Kuonyesha Usambazaji wa Data | [Uonyeshaji wa Data](3-Data-Visualization/README.md) | Kuonyesha uchunguzi na mwenendo ndani ya muda maalum. | [somu](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Kuonyesha Uwiano | [Uonyeshaji wa Data](3-Data-Visualization/README.md) | Kuonyesha asilimia za makundi na za pekee. | [somu](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Kuonyesha Mahusiano | [Uonyeshaji wa Data](3-Data-Visualization/README.md) | Kuonyesha uhusiano na mfanano kati ya seti za data na vigezo vyake. | [somu](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Uonyeshaji wa Maana | [Uonyeshaji wa Data](3-Data-Visualization/README.md) | Mbinu na mwongozo wa kufanya uonyeshaji wako kuwa wa thamani kwa utatuzi wa matatizo na kupata maarifa. | [somu](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Utangulizi wa Mzunguko wa Sayansi ya Data | [Mzunguko](4-Data-Science-Lifecycle/README.md) | Utangulizi wa mzunguko wa sayansi ya data na hatua yake ya kwanza ya kupata na kutoa data. | [somu](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Kuchambua | [Mzunguko](4-Data-Science-Lifecycle/README.md) | Hatua hii ya mzunguko wa sayansi ya data inazingatia mbinu za kuchambua data. | [somu](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Mawasiliano | [Mzunguko](4-Data-Science-Lifecycle/README.md) | Hatua hii ya mzunguko wa sayansi ya data inazingatia kuwasilisha maarifa kutoka kwa data kwa njia inayorahisisha maamuzi kwa watoa maamuzi. | [somu](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Sayansi ya Data katika Wingu | [Data ya Wingu](5-Data-Science-In-Cloud/README.md) | Mfululizo huu wa masomo unatoa utangulizi wa sayansi ya data katika wingu na faida zake. | [somu](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) na [Maud](https://twitter.com/maudstweets) |
+| 18 | Sayansi ya Data katika Wingu | [Data ya Wingu](5-Data-Science-In-Cloud/README.md) | Kufundisha mifano kwa kutumia zana za Low Code. | [somu](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) na [Maud](https://twitter.com/maudstweets) |
+| 19 | Sayansi ya Data katika Wingu | [Data ya Wingu](5-Data-Science-In-Cloud/README.md) | Kuweka mifano kwa Azure Machine Learning Studio. | [somu](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) na [Maud](https://twitter.com/maudstweets) |
+| 20 | Sayansi ya Data katika Mazingira Halisi | [Katika Mazingira Halisi](6-Data-Science-In-Wild/README.md) | Miradi inayotokana na sayansi ya data katika ulimwengu halisi. | [somu](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Fuata hatua hizi kufungua mfano huu katika Codespace:
+1. Bonyeza menyu ya kushuka ya Code na uchague chaguo la Open with Codespaces.
+2. Chagua + New codespace chini ya paneli.
+Kwa maelezo zaidi, angalia [GitHub documentation](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Fuata hatua hizi kufungua repo hii katika kontena ukitumia mashine yako ya ndani na VSCode kwa kutumia kiendelezi cha VS Code Remote - Containers:
+
+1. Ikiwa ni mara yako ya kwanza kutumia kontena la maendeleo, tafadhali hakikisha mfumo wako unakidhi mahitaji ya awali (yaani, kuwa na Docker iliyosakinishwa) katika [nyaraka za kuanza](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+Kutumia repo hii, unaweza kufungua repo katika hifadhi ya Docker iliyotengwa:
+
+**Kumbuka**: Kwa ndani, hii itatumia Remote-Containers: **Clone Repository in Container Volume...** amri ya kunakili msimbo wa chanzo katika hifadhi ya Docker badala ya mfumo wa faili wa ndani. [Hifadhi](https://docs.docker.com/storage/volumes/) ni njia inayopendekezwa ya kuhifadhi data ya kontena.
+
+Au fungua nakala iliyopakuliwa au iliyoklonwa ya repo:
+
+- Kloni repo hii kwenye mfumo wako wa faili wa ndani.
+- Bonyeza F1 na uchague amri ya **Remote-Containers: Open Folder in Container...**.
+- Chagua nakala iliyoklonwa ya folda hii, subiri kontena ianze, na ujaribu vitu.
+
+## Ufikiaji wa Nje ya Mtandao
+
+Unaweza kuendesha nyaraka hizi nje ya mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Kloni repo hii, [sakinisha Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya ndani, kisha katika folda ya mizizi ya repo hii, andika `docsify serve`. Tovuti itahudumiwa kwenye bandari 3000 kwenye localhost yako: `localhost:3000`.
+
+> Kumbuka, daftari hazitaonyeshwa kupitia Docsify, kwa hivyo unapotaka kuendesha daftari, fanya hivyo kando katika VS Code ukitumia kernel ya Python.
+
+## Msaada Unahitajika!
+
+Ikiwa ungependa kutafsiri sehemu au yote ya mtaala, tafadhali fuata mwongozo wetu wa [Tafsiri](TRANSLATIONS.md).
+
+## Mitaala Mingine
+
+Timu yetu inazalisha mitaala mingine! Angalia:
+
+- [Generative AI kwa Kompyuta](https://aka.ms/genai-beginners)
+- [Generative AI kwa Kompyuta .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generative AI na JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generative AI na Java](https://aka.ms/genaijava)
+- [AI kwa Kompyuta](https://aka.ms/ai-beginners)
+- [Sayansi ya Data kwa Kompyuta](https://aka.ms/datascience-beginners)
+- [ML kwa Kompyuta](https://aka.ms/ml-beginners)
+- [Usalama wa Mtandao kwa Kompyuta](https://github.com/microsoft/Security-101) 
+- [Web Dev kwa Kompyuta](https://aka.ms/webdev-beginners)
+- [IoT kwa Kompyuta](https://aka.ms/iot-beginners)
+- [Maendeleo ya XR kwa Kompyuta](https://github.com/microsoft/xr-development-for-beginners)
+- [Kumiliki GitHub Copilot kwa Uprogramu wa Pamoja](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Kumiliki GitHub Copilot kwa Waendelezaji wa C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Chagua Safari Yako ya Copilot](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/SECURITY.md b/translations/sw/SECURITY.md
new file mode 100644
index 00000000..58aa3f66
--- /dev/null
+++ b/translations/sw/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-26T14:24:23+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "sw"
+}
+-->
+## Usalama
+
+Microsoft inachukua usalama wa bidhaa na huduma zetu kwa uzito, ikiwa ni pamoja na hifadhi zote za msimbo wa chanzo zinazodhibitiwa kupitia mashirika yetu ya GitHub, ambayo ni pamoja na [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), na [mashirika yetu ya GitHub](https://opensource.microsoft.com/).
+
+Ikiwa unaamini umepata udhaifu wa usalama katika hifadhi yoyote inayomilikiwa na Microsoft ambayo inakidhi [ufafanuzi wa Microsoft wa udhaifu wa usalama](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), tafadhali tuarifu kama ilivyoelezwa hapa chini.
+
+## Kuripoti Masuala ya Usalama
+
+**Tafadhali usiripoti udhaifu wa usalama kupitia masuala ya umma ya GitHub.**
+
+Badala yake, tafadhali ripoti kwa Kituo cha Majibu ya Usalama cha Microsoft (MSRC) kupitia [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Ikiwa unapendelea kuwasilisha bila kuingia, tuma barua pepe kwa [secure@microsoft.com](mailto:secure@microsoft.com). Ikiwezekana, enkripti ujumbe wako kwa kutumia funguo yetu ya PGP; tafadhali pakua kutoka [ukurasa wa Funguo ya PGP ya Kituo cha Majibu ya Usalama cha Microsoft](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Unapaswa kupokea majibu ndani ya masaa 24. Ikiwa kwa sababu fulani hupokei, tafadhali fuatilia kupitia barua pepe ili kuhakikisha tumepokea ujumbe wako wa awali. Maelezo ya ziada yanapatikana kwenye [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Tafadhali jumuisha maelezo yaliyoombwa hapa chini (kadri unavyoweza kutoa) ili kutusaidia kuelewa vyema asili na upeo wa tatizo linalowezekana:
+
+  * Aina ya tatizo (mfano, buffer overflow, SQL injection, cross-site scripting, nk.)
+  * Njia kamili za faili za chanzo zinazohusiana na udhihirisho wa tatizo
+  * Eneo la msimbo wa chanzo ulioathirika (tag/branch/commit au URL ya moja kwa moja)
+  * Mipangilio maalum inayohitajika ili kuzalisha tatizo
+  * Maelekezo ya hatua kwa hatua ya kuzalisha tatizo
+  * Msimbo wa uthibitisho au msimbo wa shambulio (ikiwezekana)
+  * Athari ya tatizo, ikiwa ni pamoja na jinsi mshambulizi anaweza kutumia tatizo hilo
+
+Maelezo haya yatatusaidia kushughulikia ripoti yako haraka zaidi.
+
+Ikiwa unaripoti kwa ajili ya zawadi ya hitilafu, ripoti kamili zaidi zinaweza kuchangia tuzo ya juu zaidi. Tafadhali tembelea ukurasa wetu wa [Mpango wa Zawadi ya Hitilafu ya Microsoft](https://microsoft.com/msrc/bounty) kwa maelezo zaidi kuhusu programu zetu zinazotumika.
+
+## Lugha Zinazopendelewa
+
+Tunapendelea mawasiliano yote yawe kwa Kiingereza.
+
+## Sera
+
+Microsoft inafuata kanuni za [Ufunuo wa Udhaifu Ulio Ratibiwa](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/SUPPORT.md b/translations/sw/SUPPORT.md
new file mode 100644
index 00000000..aa0e3499
--- /dev/null
+++ b/translations/sw/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-26T14:21:03+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "sw"
+}
+-->
+# Msaada
+## Jinsi ya kuripoti matatizo na kupata msaada  
+
+Mradi huu unatumia GitHub Issues kufuatilia hitilafu na maombi ya vipengele. Tafadhali tafuta masuala yaliyopo kabla ya kuripoti masuala mapya ili kuepuka kurudia. Kwa masuala mapya, ripoti hitilafu yako au ombi la kipengele kama suala jipya.
+
+Kwa msaada na maswali kuhusu kutumia mradi huu, ripoti suala.
+
+## Sera ya Msaada ya Microsoft  
+
+Msaada kwa hifadhi hii unazingatia tu rasilimali zilizoorodheshwa hapo juu.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kibinadamu ya kitaalamu. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/docs/_sidebar.md b/translations/sw/docs/_sidebar.md
new file mode 100644
index 00000000..c0bd5360
--- /dev/null
+++ b/translations/sw/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-26T14:58:20+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "sw"
+}
+-->
+- Utangulizi
+  - [Kufafanua Sayansi ya Takwimu](../1-Introduction/01-defining-data-science/README.md)
+  - [Maadili ya Sayansi ya Takwimu](../1-Introduction/02-ethics/README.md)
+  - [Kufafanua Takwimu](../1-Introduction/03-defining-data/README.md)
+  - [Uwezekano na Takwimu](../1-Introduction/04-stats-and-probability/README.md)
+- Kufanya Kazi na Takwimu
+  - [Hifadhidata za Uhusiano](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Hifadhidata zisizo za Uhusiano](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Maandalizi ya Takwimu](../2-Working-With-Data/08-data-preparation/README.md)
+- Uwasilishaji wa Takwimu
+  - [Kuonyesha Kiasi](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Kuonyesha Usambazaji](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Kuonyesha Uwiano](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Kuonyesha Mahusiano](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Uwasilishaji wa Maana](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Mzunguko wa Maisha wa Sayansi ya Takwimu
+  - [Utangulizi](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Kuchambua](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Mawasiliano](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Sayansi ya Takwimu katika Wingu
+  - [Utangulizi](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Nambari Chache](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Sayansi ya Takwimu Katika Mazingira ya Kawaida
+  - [Sayansi ya Takwimu Katika Mazingira ya Kawaida](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/for-teachers.md b/translations/sw/for-teachers.md
new file mode 100644
index 00000000..21d985fc
--- /dev/null
+++ b/translations/sw/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-26T14:21:43+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "sw"
+}
+-->
+## Kwa Walimu
+
+Je, ungependa kutumia mtaala huu darasani kwako? Tafadhali jisikie huru!
+
+Kwa kweli, unaweza kuutumia ndani ya GitHub yenyewe kwa kutumia GitHub Classroom.
+
+Ili kufanya hivyo, fork repo hii. Utahitaji kuunda repo kwa kila somo, kwa hivyo utahitaji kutoa kila folda na kuiweka kwenye repo tofauti. Kwa njia hiyo, [GitHub Classroom](https://classroom.github.com/classrooms) inaweza kuchukua kila somo moja kwa moja.
+
+Maelekezo haya [kamili](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) yatakupa wazo la jinsi ya kuandaa darasa lako.
+
+## Kutumia repo kama ilivyo
+
+Ikiwa ungependa kutumia repo hii kama ilivyo sasa, bila kutumia GitHub Classroom, hilo linawezekana pia. Utahitaji kuwasiliana na wanafunzi wako kuhusu somo gani la kufanyia kazi pamoja.
+
+Katika muundo wa mtandaoni (Zoom, Teams, au nyinginezo) unaweza kuunda vyumba vya vikundi kwa ajili ya maswali ya majaribio, na kuwaelekeza wanafunzi ili kuwasaidia kujiandaa kujifunza. Kisha waalike wanafunzi kushiriki kwenye maswali ya majaribio na kuwasilisha majibu yao kama 'issues' kwa wakati fulani. Unaweza kufanya vivyo hivyo na kazi za nyumbani, ikiwa unataka wanafunzi wafanye kazi kwa kushirikiana waziwazi.
+
+Ikiwa unapendelea muundo wa faragha zaidi, waulize wanafunzi wako wafork mtaala huu, somo kwa somo, kwenye repos zao za GitHub kama repos za faragha, na wakupe ufikiaji. Kisha wanaweza kukamilisha maswali ya majaribio na kazi za nyumbani kwa faragha na kuwasilisha kwako kupitia issues kwenye repo ya darasa lako.
+
+Kuna njia nyingi za kufanya hili lifanye kazi katika muundo wa darasa la mtandaoni. Tafadhali tujulishe ni njia gani inakufaa zaidi!
+
+## Zilizojumuishwa katika mtaala huu:
+
+Masomo 20, maswali ya majaribio 40, na kazi za nyumbani 20. Sketchnotes zinaambatana na masomo kwa wanafunzi wanaopendelea kujifunza kwa njia ya kuona. Masomo mengi yanapatikana katika Python na R na yanaweza kukamilishwa kwa kutumia Jupyter notebooks ndani ya VS Code. Jifunze zaidi kuhusu jinsi ya kuandaa darasa lako kutumia teknolojia hii: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Sketchnotes zote, pamoja na bango la ukubwa mkubwa, ziko katika [folda hii](../../sketchnotes).
+
+Mtaala mzima unapatikana [kama PDF](../../pdf/readme.pdf).
+
+Unaweza pia kuendesha mtaala huu kama tovuti ya kujitegemea, inayofaa bila mtandao, kwa kutumia [Docsify](https://docsify.js.org/#/). [Sakinisha Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya ndani, kisha kwenye folda kuu ya nakala yako ya repo hii, andika `docsify serve`. Tovuti itahudumiwa kwenye port 3000 kwenye localhost yako: `localhost:3000`.
+
+Toleo linalofaa bila mtandao la mtaala litafunguka kama ukurasa wa tovuti ya kujitegemea: https://localhost:3000
+
+Masomo yamegawanywa katika sehemu 6:
+
+- 1: Utangulizi
+    - 1: Kufafanua Sayansi ya Takwimu
+    - 2: Maadili
+    - 3: Kufafanua Takwimu
+    - 4: Muhtasari wa Uwezekano na Takwimu
+- 2: Kufanya Kazi na Takwimu
+    - 5: Hifadhidata za Uhusiano
+    - 6: Hifadhidata zisizo za Uhusiano
+    - 7: Python
+    - 8: Maandalizi ya Takwimu
+- 3: Uonyeshaji wa Takwimu
+    - 9: Uonyeshaji wa Kiasi
+    - 10: Uonyeshaji wa Usambazaji
+    - 11: Uonyeshaji wa Uwiano
+    - 12: Uonyeshaji wa Mahusiano
+    - 13: Uonyeshaji wa Maana
+- 4: Mzunguko wa Maisha wa Sayansi ya Takwimu
+    - 14: Utangulizi
+    - 15: Kuchambua
+    - 16: Mawasiliano
+- 5: Sayansi ya Takwimu katika Wingu
+    - 17: Utangulizi
+    - 18: Chaguo za Low-Code
+    - 19: Azure
+- 6: Sayansi ya Takwimu katika Mazingira Halisi
+    - 20: Muhtasari
+
+## Tafadhali tupe maoni yako!
+
+Tunataka kufanya mtaala huu ufanye kazi kwa ajili yako na wanafunzi wako. Tafadhali tupe maoni kwenye bodi za majadiliano! Jisikie huru kuunda eneo la darasa kwenye bodi za majadiliano kwa ajili ya wanafunzi wako.
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/quiz-app/README.md b/translations/sw/quiz-app/README.md
new file mode 100644
index 00000000..99aa0919
--- /dev/null
+++ b/translations/sw/quiz-app/README.md
@@ -0,0 +1,138 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-26T16:17:50+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "sw"
+}
+-->
+# Maswali ya Quiz
+
+Maswali haya ya quiz ni ya kabla na baada ya mihadhara katika mtaala wa sayansi ya data kwenye https://aka.ms/datascience-beginners
+
+## Kuongeza seti ya quiz iliyotafsiriwa
+
+Ongeza tafsiri ya quiz kwa kuunda miundo inayolingana ya quiz katika folda za `assets/translations`. Quiz za msingi ziko kwenye `assets/translations/en`. Quiz zimegawanywa katika makundi kadhaa. Hakikisha unalinganisha namba na sehemu sahihi ya quiz. Kuna jumla ya quiz 40 katika mtaala huu, na hesabu inaanza na 0.
+
+Baada ya kuhariri tafsiri, hariri faili ya `index.js` katika folda ya tafsiri ili kuingiza faili zote kufuatia kanuni za `en`.
+
+Hariri faili ya `index.js` katika `assets/translations` ili kuingiza faili mpya zilizotafsiriwa.
+
+Kisha, hariri menyu kunjuzi katika `App.vue` kwenye programu hii ili kuongeza lugha yako. Linganisha kifupi cha lugha na jina la folda ya lugha yako.
+
+Hatimaye, hariri viungo vyote vya quiz katika masomo yaliyotafsiriwa, ikiwa vipo, ili kujumuisha utafsiri huu kama parameter ya swali: `?loc=fr` kwa mfano.
+
+## Usanidi wa Mradi
+
+```
+npm install
+```
+
+### Inakompilesha na kupakia upya kwa maendeleo
+
+```
+npm run serve
+```
+
+### Inakompilesha na kupunguza kwa uzalishaji
+
+```
+npm run build
+```
+
+### Inakagua na kurekebisha faili
+
+```
+npm run lint
+```
+
+### Kubadilisha usanidi
+
+Tazama [Marejeleo ya Usanidi](https://cli.vuejs.org/config/).
+
+Shukrani: Asante kwa toleo la awali la programu hii ya quiz: https://github.com/arpan45/simple-quiz-vue
+
+## Kuweka kwenye Azure
+
+Hapa kuna mwongozo wa hatua kwa hatua wa kukusaidia kuanza:
+
+1. Nakili Hifadhi ya GitHub
+Hakikisha msimbo wa programu yako ya wavuti ya tuli uko kwenye hifadhi yako ya GitHub. Nakili hifadhi hii.
+
+2. Unda Azure Static Web App
+- Unda [akaunti ya Azure](http://azure.microsoft.com)
+- Nenda kwenye [Azure portal](https://portal.azure.com) 
+- Bonyeza “Create a resource” na tafuta “Static Web App”.
+- Bonyeza “Create”.
+
+3. Sanidi Static Web App
+- Msingi: Subscription: Chagua usajili wako wa Azure.
+- Resource Group: Unda kikundi kipya cha rasilimali au tumia kilichopo.
+- Name: Toa jina kwa programu yako ya wavuti ya tuli.
+- Region: Chagua eneo lililo karibu zaidi na watumiaji wako.
+
+- #### Maelezo ya Uwekaji:
+- Source: Chagua “GitHub”.
+- GitHub Account: Ruhusu Azure kufikia akaunti yako ya GitHub.
+- Organization: Chagua shirika lako la GitHub.
+- Repository: Chagua hifadhi inayojumuisha programu yako ya wavuti ya tuli.
+- Branch: Chagua tawi unalotaka kuweka kutoka.
+
+- #### Maelezo ya Ujenzi:
+- Build Presets: Chagua mfumo ambao programu yako imejengwa (mfano, React, Angular, Vue, n.k.).
+- App Location: Eleza folda inayojumuisha msimbo wa programu yako (mfano, / ikiwa iko kwenye mzizi).
+- API Location: Ikiwa una API, eleza eneo lake (hiari).
+- Output Location: Eleza folda ambapo matokeo ya ujenzi yanazalishwa (mfano, build au dist).
+
+4. Kagua na Unda
+Kagua mipangilio yako na bonyeza “Create”. Azure itaweka rasilimali zinazohitajika na kuunda faili ya GitHub Actions workflow kwenye hifadhi yako.
+
+5. GitHub Actions Workflow
+Azure itaunda faili ya GitHub Actions workflow kiotomatiki kwenye hifadhi yako (.github/workflows/azure-static-web-apps-<name>.yml). Workflow hii itashughulikia mchakato wa ujenzi na uwekaji.
+
+6. Fuatilia Uwekaji
+Nenda kwenye kichupo cha “Actions” katika hifadhi yako ya GitHub.
+Unapaswa kuona workflow ikifanya kazi. Workflow hii itajenga na kuweka programu yako ya wavuti ya tuli kwenye Azure.
+Mara workflow itakapokamilika, programu yako itakuwa hai kwenye URL iliyotolewa na Azure.
+
+### Mfano wa Faili ya Workflow
+
+Hapa kuna mfano wa jinsi faili ya GitHub Actions workflow inaweza kuonekana:
+name: Azure Static Web Apps CI/CD
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Rasilimali za Ziada
+- [Nyaraka za Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started)
+- [Nyaraka za GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file
diff --git a/translations/sw/sketchnotes/README.md b/translations/sw/sketchnotes/README.md
new file mode 100644
index 00000000..7aa4c2c6
--- /dev/null
+++ b/translations/sw/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-26T15:43:19+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "sw"
+}
+-->
+Pata sketchnoti zote hapa!
+
+## Shukrani
+
+Nitya Narasimhan, msanii
+
+![sketchnoti ya ramani ya barabara](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sw.png)
+
+---
+
+**Kanusho**:  
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, inashauriwa kutumia huduma ya tafsiri ya kitaalamu ya binadamu. Hatutawajibika kwa maelewano mabaya au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
\ No newline at end of file