WIP - translation to Chinese

README.md

@@ -108,6 +108,7 @@ From experts at Hugging Face, learn all about Transformers and their application
 |  Japanese (WIP)  |  [ `tutorials/JA` ]( https://github.com/huggingface/education-toolkit/tree/main/tutorials/JA )  | @[Wataru-Nakata](https://github.com/Wataru-Nakata)                                          |
 | Korean (WIP)     | [  `tutorials/KO`  ]( https://github.com/huggingface/education-toolkit/tree/main/tutorials/KO ) | @ [oikosohn](https://github.com/oikosohn)                                                   |
 | Portuguese (WIP) |  [ `tutorials/PT` ]( https://github.com/huggingface/education-toolkit/tree/main/tutorials/PT )  | @[johnnv1](https://github.com/johnnv1/)                                                     |
+|  Chinese (WIP)   |  [ `tutorials/ZH` ]( https://github.com/huggingface/education-toolkit/tree/main/tutorials/ZH )  | @[hzwlille](https://github.com/hzwlille)                                                    |
 
 If you would like to translate the tutorials to your language, see our [TRANSLATING](https://github.com/huggingface/education-toolkit/blob/main/TRANSLATING.md) guide.
 

tutorials/ZH/README.md

@@ -0,0 +1,96 @@
+# 🤗 学习工具库
+
+<aside>
+
+👋 **欢迎使用!**
+
+我们集成了这个工具包，方便大家使用它来准备研讨会、活动、家庭作业或课程。工具包是独立的，因此可以很容易地合并到其他材料中。此内容是**免费**，并使用著名的开源技术（`transformers`、`gradio` 等）。
+
+6 月 6 日，我们将组织一个专门的免费研讨会，讨论如何在您的社区中教授这些资源。欢迎踊跃报名[注册](https://www.eventbrite.com/e/how-to-teach-open-source-machine-learning-tools-tickets-310980931337)。
+
+除了教程之外，我们还共享其他资源以便于大家进一步了解机器学习或着帮助设计内容。
+
+</aside>
+
+## **教程目录**
+
+### 1️⃣ 游览 Hugging Face 仓库
+
+> 在本教程中，您可以：
+>
+> - 游览 Hub 中共享的 30,000 多个模型。
+> - 学习为您的任务找到正确模型和数据集的有效方法。
+> - 了解如何在您的机器学习工作流程中做出贡献并协同工作
+>
+> **_时长：20-40 分钟_**
+>
+> 👉 [点击这里访问教程](https://github.com/huggingface/education-toolkit/blob/main/01_huggingface-hub-tour.md) 或👩‍🏫 [幻灯片](https://docs.google.com/presentation/d/1zQqpFTcpNLV7haj2Inw2qKHq8DjfZEaiObW1ZkLvPWM/edit?usp=sharing)。
+
+### 2️⃣ 使用 Gradio 和 Hugging Face 构建和托管机器学习演示
+
+> 在本教程中，您可以：
+>
+> - 探索社区创建的 ML 演示。
+> - 使用 `gradio` 库用 Python 为您的机器学习模型构建一个快速演示
+> - 使用 Hugging Face Spaces 免费部署演示
+> - 将您的演示添加到 Hugging Face 组织中，用于您的课程或研讨会
+>
+> **_时长：20-40 分钟_**
+>
+> 👉 [点击此处访问教程](https://colab.research.google.com/github/huggingface/education-toolkit/blob/main/02_ml-demos-with-gradio.ipynb) 或👩‍🏫 [幻灯片](https://docs.google.com/presentation/d/14EU_xjtINXtpidWLnUvfcEpmxN46ORS-PLpwfUf8C1I/edit?usp=sharing)。
+
+
+> ### 3️⃣ Transformers入门
+
+> 在本教程中，您可以：
+>
+> - Transformer 神经网络可用于处理自然语言处理及其他领域的广泛任务。
+> - 迁移学习可以让Transformers适应特定的任务。
+> - `transformers` 库中的`pipeline()` 函数可用于对来自 [Hugging Face Hub](https://huggingface.co/models) 的模型进行推理。
+>
+> 本教程基于我们 O'Reilly 的第一本书 *[Natural Language Processing with Transformers](https://transformersbook.com/)*  - 如果您想深入了解该主题，请查看！
+>
+> **_时长：30-45 分钟_**
+>
+> 👉 [点击此处访问教程](https://colab.research.google.com/github/huggingface/education-toolkit/blob/main/03_getting-started-with-transformers.ipynb)
+
+## **我们的教学指南：浏览🤗 Hub & Gradio**
+
+在此视频中，Nate 和 Lewis 为您提供了 Transformers 和迁移学习的导览，并概述了 Hugging Face 的开源科学工作和工具，这些努力和工具使人们能够在他们的机器学习项目中更好的进行团队协作。
+
+
+[![The Hugging Face Hub之旅和 Gradio 动手指南](http://img.youtube.com/vi/k8sHYMeDitQ/0.jpg)](http://www.youtube.com/watch?v=k8sHYMeDitQ "The Hugging Face Hub 之旅和 Gradio 手把手指南")
+
+## **用于自学的其他资源**
+
+### **🤗课程**
+
+我们提供一门课程（免费且无广告），使用 **[Hugging Face](https://huggingface.co/)** 生态系统中的库向您介绍自然语言处理 (NLP)。
+
+👉 [单击此处访问 🤗 课程](https://huggingface.co/course/chapter1/1)
+
+<aside>
+💡 本课程：
+
+- 需要良好的 Python 知识
+- 最好在学习深度学习入门课程后学习，例如 **[fast.ai’s](https://www.fast.ai/)** **[Practical Deep Learning for Coders](https://course.fast.ai/)** **[DeepLearning.AI](https://www.deeplearning.ai/)** 开发的程序之一
+- 不需要提前学习  **[PyTorch](https://pytorch.org/)** 或 **[TensorFlow](https://www.tensorflow.org/)**  知识，尽管对其中任何一个都有一定的了解那些会有所帮助
+</aside>
+
+### **🤗 书**
+
+<img alt="book-cover" height=200 src="../../images/book_cover.jpg" id="book-cover"/>
+
+2022 年 2 月发布
+
+从 Hugging Face 的专家那里，了解有关 Transformer 及其在各种 NLP 任务中的应用的所有信息。
+
+👉 [点击这里访问本书的网站](https://transformersbook.com/)
+
+<aside>
+💡本书：
+
+- 为数据科学家和机器学习工程师编写，他们可能听说过最近涉及变压器的突破，但缺乏深入的指南来帮助他们将这些模型适应自己的用例。
+- 假设您有一些在 GPU 上训练模型的实践经验。
+- 不需要提前学习 **[PyTorch](https://pytorch.org/)** 或 **[TensorFlow](https://www.tensorflow.org/)** 知识，尽管对其中任何一个都有一定的了解那些会有所帮助
+</aside>