diff --git a/4-Classification/4-Applied/README.md b/4-Classification/4-Applied/README.md
index b6fb5450..cddc4a9d 100644
--- a/4-Classification/4-Applied/README.md
+++ b/4-Classification/4-Applied/README.md
@@ -228,82 +228,80 @@ You can use your model directly in a web app. This architecture also allows you
```javascript
+
```
In this code, there are several things happening:
-1. You created an array of 380 possible values (1 or 0) to be set and sent to the model for inference, depending on whether an ingredient checkbox is checked.
+1. You created an array of 380 possible values (1 or 0) to be set and sent to the model for inference, depending on whether an ingredient checkbox is checked.
2. You created an array of checkboxes and a way to determine whether they were checked in an `init` function that is called when the application starts. When a checkbox is checked, the `ingredients` array is altered to reflect the chosen ingredient.
3. You created a `testCheckboxes` function that checks whether any checkbox was checked.
-4. You use that function when the button is pressed and, if any checkbox is checked, you start inference.
+4. You use `startInference` function when the button is pressed and, if any checkbox is checked, you start inference.
5. The inference routine includes:
1. Setting up an asynchronous load of the model
2. Creating a Tensor structure to send to the model
diff --git a/4-Classification/4-Applied/translations/README.zh-CN.md b/4-Classification/4-Applied/translations/README.zh-CN.md
new file mode 100644
index 00000000..8d996cb4
--- /dev/null
+++ b/4-Classification/4-Applied/translations/README.zh-CN.md
@@ -0,0 +1,333 @@
+# 构建一个美食推荐 Web 应用程序
+
+在本节课程中，您将使用您在之前课程中学习到的一些方法和本系列课程用到的美食数据集来构建一个分类模型。此外，您还会使用 Onnx Web 运行时构建一个小的 Web 应用程序去使用保存的模型。
+机器学习最有用的实际运用之一就是构建推荐系统，今天您可以朝这个方向迈出第一步了！
+
+[](https://youtu.be/giIXNoiqO_U "Recommendation Systems Introduction")
+
+> 🎥 点击上面的图片查看视频：吴恩达（Andrew Ng）介绍推荐系统设计
+
+## [课前测验](https://white-water-09ec41f0f.azurestaticapps.net/quiz/25/)
+
+本节课程中您将会学习：
+
+- 如何构建模型并将它保存为 Onnx 模型
+- 如何使用 Netron 去检查模型
+- 如何在 Web 应用程序中使用您的模型去进行推理
+
+## 构建您的模型
+
+建立应用机器学习系统是让这些技术赋能您的业务系统的一个重要部分。通过使用 Onnx 您可以在 Web 应用程序中使用模型（如果需要可以离线使用它们）。
+
+[之前的课程](../../../3-Web-App/1-Web-App/translations/README.zh-cn.md)中，您构建并 “pickled” 了一个 UFO 目击事件的回归模型，并在一个 Flask 应用程序中使用。虽然了解它的架构会很有用，但这是一个全栈 Python 应用程序，您的需求可能包括使用 JavaScript 应用程序。
+
+在本节课程中，您可以构建一个基于 JavaScript 的基础系统进行推理。不过无论如何，首先您需要训练一个模型并将其转换给 Onnx 使用。
+
+## 练习 - 训练分类模型
+
+首先，使用之前我们使用的清洗后的菜品数据集来训练一个分类模型。
+
+1. 从导入库开始：
+
+ ```python
+ !pip install skl2onnx
+ import pandas as pd
+ ```
+
+ 您需要 [skl2onnx](https://onnx.ai/sklearn-onnx/) 来帮助您将 Scikit-learn 模型转换为 Onnx 格式。
+
+2. 然后使用 `read_csv()` 读取一个 CSV 文件，按照您在之前课程中用的相同方式处理您的数据：
+
+ ```python
+ data = pd.read_csv('../data/cleaned_cuisines.csv')
+ data.head()
+ ```
+
+3. 删除前两列无用的列，将其余的数据保存为 X：
+
+ ```python
+ X = data.iloc[:,2:]
+ X.head()
+ ```
+
+4. 保存标签为 y：
+
+ ```python
+ y = data[['cuisine']]
+ y.head()
+
+ ```
+
+### 开始训练
+
+我们将使用有着不错精度的 SVC 库。
+
+1. 从 Scikit-learn 导入一些合适的库：
+
+ ```python
+ from sklearn.model_selection import train_test_split
+ from sklearn.svm import SVC
+ from sklearn.model_selection import cross_val_score
+ from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report
+ ```
+
+2. 拆分训练数据和测试数据：
+
+ ```python
+ X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3)
+ ```
+
+3. 像您在之前课程中所做的一样，构建一个 SVC 分类器模型：
+
+ ```python
+ model = SVC(kernel='linear', C=10, probability=True,random_state=0)
+ model.fit(X_train,y_train.values.ravel())
+ ```
+
+4. 现在，调用 `predict()` 测试您的模型：
+
+ ```python
+ y_pred = model.predict(X_test)
+ ```
+
+5. 打印分类报告来检查模型质量：
+
+ ```python
+ print(classification_report(y_test,y_pred))
+ ```
+
+ 如我们之前看见的，精度挺好：
+
+ ```output
+ precision recall f1-score support
+
+ chinese 0.72 0.69 0.70 257
+ indian 0.91 0.87 0.89 243
+ japanese 0.79 0.77 0.78 239
+ korean 0.83 0.79 0.81 236
+ thai 0.72 0.84 0.78 224
+
+ accuracy 0.79 1199
+ macro avg 0.79 0.79 0.79 1199
+ weighted avg 0.79 0.79 0.79 1199
+ ```
+
+### 将您的模型转换到 Onnx
+
+请确保使用正确的张量进行转换。数据集列出了 380 种原料，因此您需要在 `FloatTensorType` 中标记这个数字：
+
+1. 设置张量数为 380 来进行转换。
+
+ ```python
+ from skl2onnx import convert_sklearn
+ from skl2onnx.common.data_types import FloatTensorType
+
+ initial_type = [('float_input', FloatTensorType([None, 380]))]
+ options = {id(model): {'nocl': True, 'zipmap': False}}
+ ```
+
+2. 创建 onx 并保存为文件 **model.onnx**：
+
+ ```python
+ onx = convert_sklearn(model, initial_types=initial_type, options=options)
+ with open("./model.onnx", "wb") as f:
+ f.write(onx.SerializeToString())
+ ```
+
+ > 注意，您可以给您的转换脚本传入[选项](https://onnx.ai/sklearn-onnx/parameterized.html)。在这种情况下，我们传入设为 True 的 `nocl` 参数和设为 False 的 `zipmap` 参数。由于这是一个分类模型，您可以选择删除产生字典列表的 ZipMap（不必要）。`nocl` 指模型中包含的类别信息。通过将 `nocl` 设置为 True 来减小模型的大小。
+
+运行完整的 notebook 工程文件现在将会构建一个 Onnx 模型并保存到此文件夹中。
+
+## 查看您的模型
+
+在 Visual Studio Code 中，Onnx 模型的结构不是很清晰。但有一个非常好的免费软件，很多研究员用它做模型可视化以保证模型被正确构建。下载 [Netron](https://github.com/lutzroeder/Netron) 然后打开您的 model.onnx 文件。您能看到您的简单模型被可视化了，其中列举有传入的参数 `380` 和分类器：
+
+
+
+Netron 是查看您模型的有用工具。
+
+现在您准备好了在 Web 应用程序中使用这个简洁的模型。我们来构建一个应用程序，当您查看冰箱时它会派上用场，并试图找出您可以使用哪种剩余食材组合来烹饪给定的菜肴，这由您的模型决定。
+
+## 构建一个推荐器 Web 应用程序
+
+您可以在 Web 应用程序中直接使用您的模型。这种架构允许您在本地运行，如果需要的话甚至可以离线运行。我们从在您保存 `model.onnx` 文件的相同目录下创建一个 `index.html` 文件开始。
+
+1. 在 _index.html_ 文件中，添加以下标签：
+
+ ```html
+
+
+
+ Cuisine Matcher
+
+
+ ...
+
+
+ ```
+
+2. 现在在 `body` 标签内，添加一些标签来展示代表一些配料的 checkbox 列表：
+
+ ```html
+