diff --git a/1-Introduction/3-fairness/translations/README.zh-cn.md b/1-Introduction/3-fairness/translations/README.zh-cn.md
index 02f417775..3b75ddab9 100644
--- a/1-Introduction/3-fairness/translations/README.zh-cn.md
+++ b/1-Introduction/3-fairness/translations/README.zh-cn.md
@@ -145,7 +145,7 @@
| 未列出性别 | 0.33 | 0.31 | 1266 |
-这张桌子告诉我们几件事。首先，我们注意到数据中的未列出性别的人相对较少。数据是有偏差的，所以你需要小心解释这些数字。
+这个表格告诉我们几件事。首先，我们注意到数据中的未列出性别的人相对较少。数据是有偏差的，所以你需要小心解释这些数字。
在本例中，我们有3个组和2个度量。当我们考虑我们的系统如何影响贷款申请人的客户群时，这可能就足够了，但是当你想要定义更多的组时，你可能需要将其提取到更小的摘要集。为此，你可以添加更多的度量，例如每个假阴性和假阳性的最大差异或最小比率。
diff --git a/1-Introduction/translations/README.fr.md b/1-Introduction/translations/README.fr.md
new file mode 100644
index 000000000..c27f9bef1
--- /dev/null
+++ b/1-Introduction/translations/README.fr.md
@@ -0,0 +1,22 @@
+# Introduction au machine learning
+
+Dans cette section du programme, vous découvrirez les concepts de base sous-jacents au domaine du machine learning, ce qu’il est, et vous découvrirez son histoire et les techniques que les chercheurs utilisent pour travailler avec lui. Explorons ensemble ce nouveau monde de ML !
+
+
+> Photo par Bill Oxford sur Unsplash
+
+### Leçons
+
+1. [Introduction au machine learning](1-intro-to-ML/README.md)
+1. [L’histoire du machine learning et de l’IA](2-history-of-ML/README.md)
+1. [Équité et machine learning](3-équité/README.md)
+1. [Techniques de machine learning](4-techniques-of-ML/README.md)
+### Crédits
+
+"Introduction au machine learning" a été écrit avec ♥️ par une équipe de personnes comprenant [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan), [Ornella Altunyan](https://twitter.com/ornelladotcom) et [Jen Looper](https://twitter.com/jenlooper)
+
+"L’histoire du machine learning" a été écrit avec ♥️ par [Jen Looper](https://twitter.com/jenlooper) et [Amy Boyd](https://twitter.com/AmyKateNicho)
+
+"Équité et machine learning" a été écrit avec ♥️ par [Tomomi Imura](https://twitter.com/girliemac)
+
+"Techniques de machine learning" a été écrit avec ♥️ par [Jen Looper](https://twitter.com/jenlooper) et [Chris Noring](https://twitter.com/softchris)
diff --git a/2-Regression/translations/README.fr.md b/2-Regression/translations/README.fr.md
new file mode 100644
index 000000000..1b252f3f5
--- /dev/null
+++ b/2-Regression/translations/README.fr.md
@@ -0,0 +1,33 @@
+# Modèles de régression pour le machine learning
+## Sujet régional : Modèles de régression des prix des citrouilles en Amérique du Nord 🎃
+
+En Amérique du Nord, les citrouilles sont souvent sculptées en visages effrayants pour Halloween. Découvrons-en plus sur ces légumes fascinants!
+
+
+> Photo de Beth Teutschmann sur Unsplash
+
+## Ce que vous apprendrez
+
+Les leçons de cette section couvrent les types de régression dans le contexte du machine learning. Les modèles de régression peuvent aider à déterminer la _relation_ entre les variables. Ce type de modèle peut prédire des valeurs telles que la longueur, la température ou l'âge, découvrant ainsi les relations entre les variables lors de l'analyse des points de données.
+
+Dans cette série de leçons, vous découvrirez la différence entre la régression linéaire et la régression logistique, et quand vous devriez utiliser l'une ou l'autre.
+
+Dans ce groupe de leçons, vous serez préparé afin de commencer les tâches de machine learning, y compris la configuration de Visual Studio Code pour gérer les blocs-notes, l'environnement commun pour les scientifiques des données. Vous découvrirez Scikit-learn, une bibliothèque pour le machine learning, et vous construirez vos premiers modèles, en vous concentrant sur les modèles de régression dans ce chapitre.
+
+> Il existe des outils low-code utiles qui peuvent vous aider à apprendre à travailler avec des modèles de régression. Essayez [Azure ML pour cette tâche](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-15963-cxa)
+
+### Cours
+
+1. [Outils du métier](1-Tools/translations/README.fr.md)
+2. [Gestion des données](2-Data/translations/README.fr.md)
+3. [Régression linéaire et polynomiale](3-Linear/translations/README.fr.md)
+4. [Régression logistique](4-Logistic/translations/README.fr.md)
+
+---
+### Crédits
+
+"ML avec régression" a été écrit avec ♥️ par [Jen Looper](https://twitter.com/jenlooper)
+
+♥️ Les contributeurs du quiz incluent : [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) et [Ornella Altunyan](https://twitter.com/ornelladotcom)
+
+L'ensemble de données sur la citrouille est suggéré par [ce projet sur Kaggle](https://www.kaggle.com/usda/a-year-of-pumpkin-prices) et ses données proviennent des [Rapports standard des marchés terminaux des cultures spécialisées](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) distribué par le département américain de l'Agriculture. Nous avons ajouté quelques points autour de la couleur en fonction de la variété pour normaliser la distribution. Ces données sont dans le domaine public.
diff --git a/3-Web-App/1-Web-App/translations/README.zh-cn.md b/3-Web-App/1-Web-App/translations/README.zh-cn.md
new file mode 100644
index 000000000..cb8a051c5
--- /dev/null
+++ b/3-Web-App/1-Web-App/translations/README.zh-cn.md
@@ -0,0 +1,347 @@
+# 构建使用ML模型的Web应用程序
+
+在本课中，你将在一个数据集上训练一个ML模型，这个数据集来自世界各地：过去一个世纪的UFO目击事件，来源于[NUFORC的数据库](https://www.nuforc.org)。
+
+你将学会：
+
+- 如何“pickle”一个训练有素的模型
+- 如何在Flask应用程序中使用该模型
+
+我们将继续使用notebook来清理数据和训练我们的模型，但你可以进一步探索在web应用程序中使用模型。
+
+为此，你需要使用Flask构建一个web应用程序。
+
+## [课前测](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/17/)
+
+## 构建应用程序
+
+有多种方法可以构建Web应用程序以使用机器学习模型。你的web架构可能会影响你的模型训练方式。想象一下，你在一家企业工作，其中数据科学小组已经训练了他们希望你在应用程序中使用的模型。
+
+### 注意事项
+
+你需要问很多问题：
+
+- **它是web应用程序还是移动应用程序？**如果你正在构建移动应用程序或需要在物联网环境中使用模型，你可以使用[TensorFlow Lite](https://www.tensorflow.org/lite/)并在Android或iOS应用程序中使用该模型。
+- **模型放在哪里？**在云端还是本地？
+- **离线支持**。该应用程序是否必须离线工作？
+- **使用什么技术来训练模型？**所选的技术可能会影响你需要使用的工具。
+ - **使用Tensor flow**。例如，如果你正在使用TensorFlow训练模型，则该生态系统提供了使用[TensorFlow.js](https://www.tensorflow.org/js/)转换TensorFlow模型以便在Web应用程序中使用的能力。
+ - **使用 PyTorch**。如果你使用[PyTorch](https://pytorch.org/)等库构建模型，则可以选择将其导出到[ONNX](https://onnx.ai/)（开放神经网络交换)格式，用于可以使用 [Onnx Runtime](https://www.onnxruntime.ai/)的JavaScript Web 应用程序。此选项将在Scikit-learn-trained模型的未来课程中进行探讨。
+ - **使用Lobe.ai或Azure自定义视觉**。如果你使用ML SaaS（软件即服务）系统，例如[Lobe.ai](https://lobe.ai/)或[Azure Custom Vision](https://azure.microsoft.com/services/ cognitive-services/custom-vision-service/?WT.mc_id=academic-15963-cxa)来训练模型，这种类型的软件提供了为许多平台导出模型的方法，包括构建一个定制API，供在线应用程序在云中查询。
+
+你还有机会构建一个完整的Flask Web应用程序，该应用程序能够在 Web浏览器中训练模型本身。这也可以在JavaScript上下文中使用 TensorFlow.js来完成。
+
+出于我们的目的，既然我们一直在使用基于Python的notebook，那么就让我们探讨一下将经过训练的模型从notebook导出为Python构建的web应用程序可读的格式所需要采取的步骤。
+
+## 工具
+
+对于此任务，你需要两个工具：Flask和Pickle，它们都在Python上运行。
+
+✅ 什么是 [Flask](https://palletsprojects.com/p/flask/)？ Flask被其创建者定义为“微框架”，它提供了使用Python和模板引擎构建网页的Web框架的基本功能。看看[本学习单元](https://docs.microsoft.com/learn/modules/python-flask-build-ai-web-app?WT.mc_id=academic-15963-cxa)练习使用Flask构建应用程序。
+
+✅ 什么是[Pickle](https://docs.python.org/3/library/pickle.html)？ Pickle🥒是一 Python模块，用于序列化和反序列化 Python对象结构。当你“pickle”一个模型时，你将其结构序列化或展平以在 Web上使用。小心：pickle本质上不是安全的，所以如果提示“un-pickle”文件，请小心。生产的文件具有后缀`.pkl`。
+
+## 练习 - 清理你的数据
+
+在本课中，你将使用由 [NUFORC](https://nuforc.org)（国家 UFO 报告中心）收集的80,000次UFO目击数据。这些数据对UFO目击事件有一些有趣的描述，例如：
+
+- **详细描述**。"一名男子从夜间照射在草地上的光束中出现，他朝德克萨斯仪器公司的停车场跑去"。
+- **简短描述**。 “灯光追着我们”。
+
+[ufos.csv](./data/ufos.csv)电子表格包括有关目击事件发生的`city`、`state`和`country`、对象的`shape`及其`latitude`和`longitude`的列。
+
+在包含在本课中的空白[notebook](notebook.ipynb)中：
+
+1. 像在之前的课程中一样导入`pandas`、`matplotlib`和`numpy`，然后导入ufos电子表格。你可以查看一个示例数据集：
+
+ ```python
+ import pandas as pd
+ import numpy as np
+
+ ufos = pd.read_csv('../data/ufos.csv')
+ ufos.head()
+ ```
+
+2. 将ufos数据转换为带有新标题的小dataframe。检查`country`字段中的唯一值。
+
+ ```python
+ ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})
+
+ ufos.Country.unique()
+ ```
+
+3. 现在，你可以通过删除任何空值并仅导入1-60秒之间的目击数据来减少我们需要处理的数据量：
+
+ ```python
+ ufos.dropna(inplace=True)
+
+ ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]
+
+ ufos.info()
+ ```
+
+4. 导入Scikit-learn的`LabelEncoder`库，将国家的文本值转换为数字：
+
+ ✅ LabelEncoder按字母顺序编码数据
+
+ ```python
+ from sklearn.preprocessing import LabelEncoder
+
+ ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])
+
+ ufos.head()
+ ```
+
+ 你的数据应如下所示：
+
+ ```output
+ Seconds Country Latitude Longitude
+ 2 20.0 3 53.200000 -2.916667
+ 3 20.0 4 28.978333 -96.645833
+ 14 30.0 4 35.823889 -80.253611
+ 23 60.0 4 45.582778 -122.352222
+ 24 3.0 3 51.783333 -0.783333
+ ```
+
+## 练习 - 建立你的模型
+
+现在，你可以通过将数据划分为训练和测试组来准备训练模型。
+
+1. 选择要训练的三个特征作为X向量，y向量将是`Country` 你希望能够输入`Seconds`、`Latitude`和`Longitude`并获得要返回的国家/地区ID。
+
+ ```python
+ from sklearn.model_selection import train_test_split
+
+ Selected_features = ['Seconds','Latitude','Longitude']
+
+ X = ufos[Selected_features]
+ y = ufos['Country']
+
+ X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+ ```
+
+2. 使用逻辑回归训练模型：
+
+ ```python
+ from sklearn.metrics import accuracy_score, classification_report
+ from sklearn.linear_model import LogisticRegression
+ model = LogisticRegression()
+ model.fit(X_train, y_train)
+ predictions = model.predict(X_test)
+
+ print(classification_report(y_test, predictions))
+ print('Predicted labels: ', predictions)
+ print('Accuracy: ', accuracy_score(y_test, predictions))
+ ```
+
+准确率还不错**（大约 95%）**，不出所料，因为`Country`和`Latitude/Longitude`相关。
+
+你创建的模型并不是非常具有革命性，因为你应该能够从其`Latitude`和`Longitude`推断出`Country`，但是，尝试从清理、导出的原始数据进行训练，然后在web应用程序中使用此模型是一个很好的练习。
+
+## 练习 - “pickle”你的模型
+
+现在，是时候_pickle_你的模型了！你可以在几行代码中做到这一点。一旦它是 _pickled_，加载你的pickled模型并针对包含秒、纬度和经度值的示例数据数组对其进行测试，
+
+```python
+import pickle
+model_filename = 'ufo-model.pkl'
+pickle.dump(model, open(model_filename,'wb'))
+
+model = pickle.load(open('ufo-model.pkl','rb'))
+print(model.predict([[50,44,-12]]))
+```
+
+该模型返回**'3'**，这是英国的国家代码。👽
+
+## 练习 - 构建Flask应用程序
+
+现在你可以构建一个Flask应用程序来调用你的模型并返回类似的结果，但以一种更美观的方式。
+
+1. 首先在你的 _ufo-model.pkl_ 文件所在的_notebook.ipynb_文件旁边创建一个名为**web-app**的文件夹。
+
+2. 在该文件夹中创建另外三个文件夹：**static**，其中有文件夹**css**和**templates`**。 你现在应该拥有以下文件和目录
+
+ ```output
+ web-app/
+ static/
+ css/
+ templates/
+ notebook.ipynb
+ ufo-model.pkl
+ ```
+
+ ✅ 请参阅解决方案文件夹以查看已完成的应用程序
+
+3. 在_web-app_文件夹中创建的第一个文件是**requirements.txt**文件。与JavaScript应用程序中的_package.json_一样，此文件列出了应用程序所需的依赖项。在**requirements.txt**中添加以下几行：
+
+ ```text
+ scikit-learn
+ pandas
+ numpy
+ flask
+ ```
+
+4. 现在，进入web-app文件夹：
+
+ ```bash
+ cd web-app
+ ```
+
+5. 在你的终端中输入`pip install`，以安装_reuirements.txt_中列出的库：
+
+ ```bash
+ pip install -r requirements.txt
+ ```
+
+6. 现在，你已准备好创建另外三个文件来完成应用程序：
+
+ 1. 在根目录中创建**app.py**
+ 2. 在_templates_目录中创建**index.html**。
+ 3. 在_static/css_目录中创建**styles.css**。
+
+7. 使用一些样式构建_styles.css_文件：
+
+ ```css
+ body {
+ width: 100%;
+ height: 100%;
+ font-family: 'Helvetica';
+ background: black;
+ color: #fff;
+ text-align: center;
+ letter-spacing: 1.4px;
+ font-size: 30px;
+ }
+
+ input {
+ min-width: 150px;
+ }
+
+ .grid {
+ width: 300px;
+ border: 1px solid #2d2d2d;
+ display: grid;
+ justify-content: center;
+ margin: 20px auto;
+ }
+
+ .box {
+ color: #fff;
+ background: #2d2d2d;
+ padding: 12px;
+ display: inline-block;
+ }
+ ```
+
+8. 接下来，构建_index.html_文件：
+
+ ```html
+
+
+
+
+ 🛸 UFO Appearance Prediction! 👽
+
+
+
+
+
+
+
+
+
According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?