Translated 2-Regression assignment.md into Simplified Chinese

2-Regression/1-Tools/translations/assignment.zh-cn.md

@@ -0,0 +1,14 @@
+# 用 Scikit-learn 实现一次回归算法
+
+## 说明
+
+先看看 Scikit-learn 中的 [Linnerud 数据集](https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_linnerud.html#sklearn.datasets.load_linnerud)
+这个数据集中有多个[目标变量（target）](https://scikit-learn.org/stable/datasets/toy_dataset.html#linnerrud-dataset)，其中包含了三种运动（训练数据）和三个生理指标（目标变量）组成，这些数据都是从一个健身俱乐部中的20名中年男子收集到的。
+
+之后用自己的方式，创建一个可以描述腰围和完成仰卧起坐个数关系的回归模型。用同样的方式对这个数据集中的其它数据也建立一下模型探究一下其中的关系。
+
+## 评判标准
+
+| 标准                       | 优秀                           | 中规中矩                      | 仍需努力          |
+| ------------------------------ | ----------------------------------- | ----------------------------- | -------------------------- |
+| 需要提交一段能描述数据集中关系的文字 | 很好的描述了数据集中的关系 | 只能描述少部分的关系 | 啥都没有提交 |

2-Regression/2-Data/translations/assignment.zh-cn.md

@@ -0,0 +1,9 @@
+# 探索数据可视化
+
+有好几个库都可以进行数据可视化。用 matplotlib 和 seaborn 对本课中涉及的 Pumpkin 数据集创建一些数据可视化的图标。并思考哪个库更容易使用？
+
+## 评判标准
+
+| 标准 | 优秀 | 中规中矩 | 仍需努力 |
+| -------- | --------- | -------- | ----------------- |
+|          | 提交了含有两种探索可视化方法的notebook工程文件         |   提交了只包含有一种探索可视化方法的notebook工程文件       |  没提交  notebook 工程文件                 |

2-Regression/3-Linear/translations/assignment.zh-cn.md

@@ -0,0 +1,12 @@
+# 创建自己的回归模型
+
+## 说明
+
+在这节课中你学到了如何用线性回归和多项式回归建立一个模型。利用这些只是，找到一个你感兴趣的数据集或者是 Scikit-learn 内置的数据集来建立一个全新的模型。用你的 notebook 来解释为什么用了这种技术来对这个数据集进行建模，并且证明出你的模型的准确度。如果它没你想象中准确，请思考一下并解释一下原因。
+
+## 评判标准
+
+| 标准 | 优秀                                                    | 中规中矩                   | 仍需努力               |
+| -------- | ------------------------------------------------------------ | -------------------------- | ------------------------------- |
+|          | 提交了一个完整的 notebook 工程文件，其中包含了解集，并且可读性良好 | 不完整的解集 | 解集是有缺陷或者有错误的 |
+

2-Regression/4-Logistic/translations/assignment.zh-cn.md

@@ -0,0 +1,11 @@
+# 再探回归模型
+
+## 说明
+
+在这节课中，你使用了 pumpkin 数据集的子集。现在，让我们回到原始数据，并尝试使用所有数据。经过了数据清理和标准化，建立一个逻辑回归模型。
+
+## 评判标准
+
+| 标准 | 优秀                                                               | 中规中矩                                                     | 仍需努力                                           |
+| -------- | ----------------------------------------------------------------------- | ------------------------------------------------------------ | ----------------------------------------------------------- |
+|          | 用notebook呈现了一个解释性和性能良好的模型 | 用notebook呈现了一个性能一般的模型 | 用notebook呈现了一个性能差的模型或根本没有模型 |