diff --git a/chapters/ne/_toctree.yml b/chapters/ne/_toctree.yml
index 637b10081..46a965360 100644
--- a/chapters/ne/_toctree.yml
+++ b/chapters/ne/_toctree.yml
@@ -2,3 +2,8 @@
   sections:
   - local: chapter0/1
     title: परिचय
+
+- title: 1. ट्रान्सफर्मर मोडेल
+  sections:
+  - local: chapter1/1
+    title: परिचय
diff --git a/chapters/ne/chapter1/1.mdx b/chapters/ne/chapter1/1.mdx
new file mode 100644
index 000000000..7dcb7e05f
--- /dev/null
+++ b/chapters/ne/chapter1/1.mdx
@@ -0,0 +1,119 @@
+# परिचय[[introduction]]
+
+<CourseFloatingBanner
+    chapter={1}
+    classNames="absolute z-10 right-0 top-0"
+/>
+
+## 🤗 पाठ्यक्रममा स्वागत छ![[welcome-to-the-course]]
+
+<Youtube id="00GKzGyWFEs" />
+
+यो पाठ्यक्रमले तपाईंलाई [Hugging Face](https://huggingface.co/) इकोसिस्टमका लाइब्रेरीहरू — [🤗 Transformers](https://github.com/huggingface/transformers), [🤗 Datasets](https://github.com/huggingface/datasets), [🤗
+Tokenizers](https://github.com/huggingface/tokenizers), र [🤗 Accelerate](https://github.com/huggingface/accelerate) — साथै [Hugging Face Hub](https://huggingface.co/models) प्रयोग गरेर प्राकृतिक भाषा प्रशोधन (NLP) को बारेमा
+सिकाउनेछ। यो पूर्णतया नि:शुल्क र विज्ञापन रहित छ।
+
+## के अपेक्षा गर्ने?[[what-to-expect]]
+
+यहाँ पाठ्यक्रमको संक्षिप्त विवरण छ:
+
+<div class="flex justify-center">
+<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/summary.svg" alt="पाठ्यक्रमका अध्यायहरूको संक्षिप्त विवरण।">
+<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/summary-dark.svg" alt="पाठ्यक्रमका अध्यायहरूको संक्षिप्त विवरण।">
+</div>
+
+- अध्याय १ देखि ४ ले 🤗 Transformers लाइब्रेरीका मुख्य अवधारणाहरूको परिचय दिन्छन्। यो भागको अन्त्यसम्ममा, तपाईं Transformer मोडेलहरू कसरी काम गर्छन् भन्ने कुरासँग परिचित हुनुहुनेछ र [Hugging Face Hub](https://huggingface.co/models) बाट मोडेल प्रयोग गर्न, डाटासेटमा
+फाइन-ट्युन गर्न र आफ्नो नतिजाहरू हबमा साझा गर्न सक्षम हुनुहुनेछ!
+- अध्याय ५ देखि ८ ले 🤗 Datasets र 🤗 Tokenizers का आधारभूत कुराहरू सिकाउँछन् र त्यसपछि परम्परागत NLP कार्यहरूमा गहिरिन्छ। यो भागको अन्त्यसम्ममा, तपाईं आफैं सबैभन्दा सामान्य NLP समस्याहरू समाधान गर्न सक्षम हुनुहुनेछ।
+- अध्याय ९ ले NLP भन्दा बाहिर गई 🤗 हबमा आफ्ना मोडेलहरूको डेमो कसरी बनाउने र साझा गर्ने भन्ने कुरा समेट्छ। यो भागको अन्त्यसम्ममा, तपाईं आफ्नो 🤗 Transformers एप्लिकेसन संसारलाई देखाउन तयार हुनुहुनेछ!
+
+यो पाठ्यक्रम:
+
+* पाइथनको राम्रो ज्ञान आवश्यक पर्छ
+* [fast.ai](https://www.fast.ai/) को [Practical Deep Learning for Coders](https://course.fast.ai/) वा [DeepLearning.AI](https://www.deeplearning.ai/) द्वारा विकसित कार्यक्रमहरू जस्ता परिचयात्मक डिप लर्निङ पाठ्यक्रम पछि लिन उत्तम हुन्छ
+* [PyTorch](https://pytorch.org/) वा [TensorFlow](https://www.tensorflow.org/) को पूर्व ज्ञान अपेक्षा गर्दैन, यद्यपि कुनै एकको केही जानकारी भए सहयोगी हुन्छ
+
+यो पाठ्यक्रम पूरा गरेपछि, हामी DeepLearning.AI को [Natural Language Processing
+Specialization](https://www.coursera.org/specializations/natural-language-processing?utm_source=deeplearning-ai&utm_medium=institutions&utm_campaign=20211011-nlp-2-hugging_face-page-nlp-refresh) हेर्न सुझाव दिन्छौं, ज
+naive Bayes र LSTMs जस्ता परम्परागत NLP मोडेलहरूको विस्तृत जानकारी दिन्छ जुन जान्न उपयोगी छ!
+
+## हाम्रो टिम को को हौं?[[who-are-we]]
+
+लेखकहरूको बारेमा:
+
+[**Abubakar Abid**](https://huggingface.co/abidlabs) ले स्ट्यानफोर्डमा एप्लाइड मेसिन लर्निङमा पीएचडी पूरा गरे। आफ्नो पीएचडी अवधिमा, उनले [Gradio](https://github.com/gradio-app/gradio) को स्थापना गरे, एउटा खुला स्रोत पाइथन लाइब्रेरी जुन ६००,००० भन्दा बढी मेसिन
+लर्निङ डेमोहरू बनाउन प्रयोग भएको छ। Gradio लाई Hugging Face ले अधिग्रहण गर्यो, जहाँ अबुबकर अहिले मेसिन लर्निङ टिमको नेतृत्व गर्छन्।
+
+[**Matthew Carrigan**](https://huggingface.co/Rocketknight1) Hugging Face मा मेसिन लर्निङ इन्जिनियर हुन्। उनी डब्लिन, आयरल्यान्डमा बस्छन् र यसअघि Parse.ly मा ML इन्जिनियरको रूपमा र त्यसअघि ट्रिनिटी कलेज डब्लिनमा पोस्ट-डक्टोरल अनुसन्धानकर्ताको रूपमा काम गरेका थिए। उनी
+वर्तमान आर्किटेक्चरहरूलाई स्केल गरेर AGI मा पुग्न सकिन्छ भन्ने विश्वास गर्दैनन्, तर रोबोट अमरत्वको लागि उच्च आशा राख्छन्।
+
+[**Lysandre Debut**](https://huggingface.co/lysandre) Hugging Face मा मेसिन लर्निङ इन्जिनियर हुन् र सुरुवाती विकास चरणदेखि नै 🤗 Transformers लाइब्रेरीमा काम गरिरहेका छन्। उनको लक्ष्य साधारण API भएका उपकरणहरू विकास गरेर NLP लाई सबैको लागि पहुँचयोग्य बनाउनु हो।
+
+[**Sylvain Gugger**](https://huggingface.co/sgugger) Hugging Face मा रिसर्च इन्जिनियर र 🤗 Transformers लाइब्रेरीका मुख्य मेन्टेनरहरू मध्ये एक हुन्। पहिले उनी fast.ai मा रिसर्च साइन्टिस्ट थिए, र जेरेमी होवार्डसँग _[Deep Learning for Coders with fastai an
+PyTorch](https://learning.oreilly.com/library/view/deep-learning-for/9781492045519/)_ को सह-लेखक हुन्। उनको अनुसन्धानको मुख्य फोकस डिप लर्निङलाई सीमित स्रोतहरूमा छिटो तालिम दिन सक्ने प्रविधिहरूको डिजाइन र सुधार गरेर अझ पहुँचयोग्य बनाउनु हो।
+
+[**Dawood Khan**](https://huggingface.co/dawoodkhan82) Hugging Face मा मेसिन लर्निङ इन्जिनियर हुन्। उनी न्यूयोर्क सिटीका हुन् र न्यूयोर्क विश्वविद्यालयबाट कम्प्युटर साइन्स अध्ययन गरेका हुन्। केही वर्ष iOS इन्जिनियरको रूपमा काम गरेपछि दाउदले आफ्ना सहकर्मीहरूसँग Gradio सुरु गरे।
+Gradio पछि Hugging Face द्वारा अधिग्रहण गरियो।
+
+[**Merve Noyan**](https://huggingface.co/merve) Hugging Face मा डेभलपर एडभोकेट हुन्, जसले उपकरणहरू विकास गर्ने र तिनीहरूको वरिपरि सामग्री निर्माण गरी मेसिन लर्निङलाई सबैका लागि लोकतान्त्रिक बनाउने काम गर्छिन्।
+
+[**Lucile Saulnier**](https://huggingface.co/SaulLu) Hugging Face मा मेसिन लर्निङ इन्जिनियर हुन्, जसले खुला स्रोत उपकरणहरूको विकास र प्रयोगमा सहयोग गर्छिन्। उनी सहयोगात्मक प्रशिक्षण र BigScience जस्ता प्राकृतिक भाषा प्रशोधन क्षेत्रका धेरै अनुसन्धान परियोजनाहरूमा पनि सक्रिय र
+संलग्न छिन्।
+
+[**Lewis Tunstall**](https://huggingface.co/lewtun) Hugging Face मा मेसिन लर्निङ इन्जिनियर हुन्, जसले खुला स्रोत उपकरणहरूको विकास र तिनलाई व्यापक समुदायको लागि पहुँचयोग्य बनाउनमा ध्यान केन्द्रित गर्छन्। उनी O'Reilly पुस्तक [Natural Language Processing with
+Transformers](https://www.oreilly.com/library/view/natural-language-processing/9781098136789/) का सह-लेखक पनि हुन्।
+
+[**Leandro von Werra**](https://huggingface.co/lvwerra) Hugging Face को खुला स्रोत टिममा मेसिन लर्निङ इन्जिनियर र O'Reilly पुस्तक [Natural Language Processing with
+Transformers](https://www.oreilly.com/library/view/natural-language-processing/9781098136789/) का सह-लेखक हुन्। उनीसँग सम्पूर्ण मेसिन लर्निङ स्ट्याकमा काम गरेर NLP परियोजनाहरूलाई उत्पादनमा ल्याउने कई वर्षको उद्योग अनुभव छ।
+
+## बारम्बार सोधिने प्रश्नहरू[[faq]]
+
+यहाँ बारम्बार सोधिने प्रश्नहरूका केही उत्तरहरू छन्:
+
+- **के यो पाठ्यक्रम पूरा गरेपछि प्रमाणपत्र दिइन्छ?**
+हाल हामीसँग यो पाठ्यक्रमको लागि कुनै प्रमाणपत्र छैन। तथापि, हामी Hugging Face इकोसिस्टमको लागि एउटा प्रमाणीकरण कार्यक्रममा काम गरिरहेका छौं -- पर्खनुहोस्!
+
+- **यो पाठ्यक्रममा कति समय लगाउनुपर्छ?**
+यस पाठ्यक्रमको प्रत्येक अध्याय १ हप्तामा पूरा गर्न डिजाइन गरिएको छ, प्रति हप्ता लगभग ६-८ घण्टाको काम। तथापि, तपाईंले पाठ्यक्रम पूरा गर्न आवश्यक जति समय लिन सक्नुहुन्छ।
+
+- **कुनै प्रश्न भएमा कहाँ सोध्ने?**
+यदि पाठ्यक्रमको कुनै खण्डको बारेमा प्रश्न छ भने, पृष्ठको माथिल्लो भागमा रहेको "*प्रश्न सोध्नुहोस्*" बटनमा क्लिक गर्नुहोस् र तपाईं स्वचालित रूपमा [Hugging Face फोरम](https://discuss.huggingface.co/) को सही खण्डमा पुग्नुहुनेछ:
+
+<img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/forum-button.png" alt="Hugging Face फोरमको लिंक" width="75%">
+
+पाठ्यक्रम पूरा गरेपछि थप अभ्यास गर्न चाहनुहुन्छ भने फोरममा [परियोजना विचारहरूको](https://discuss.huggingface.co/c/course/course-event/25) सूची पनि उपलब्ध छ।
+
+- **पाठ्यक्रमको कोड कहाँ पाइन्छ?**
+प्रत्येक खण्डको लागि, पृष्ठको माथिल्लो भागमा रहेको बटनमा क्लिक गरेर Google Colab वा Amazon SageMaker Studio Lab मा कोड चलाउन सक्नुहुन्छ:
+
+<img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/notebook-buttons.png" alt="Hugging Face पाठ्यक्रम नोटबुकहरूको लिंक" width="75%">
+
+पाठ्यक्रमका सबै कोड समावेश भएका Jupyter नोटबुकहरू [`huggingface/notebooks`](https://github.com/huggingface/notebooks) रेपोमा होस्ट गरिएका छन्। यदि तपाईं तिनीहरूलाई स्थानीय रूपमा तयार गर्न चाहनुहुन्छ भने, GitHub मा
+[`course`](https://github.com/huggingface/course#-jupyter-notebooks) रेपोमा निर्देशनहरू जाँच गर्नुहोस्।
+
+- **मैले पाठ्यक्रममा कसरी योगदान गर्न सक्छु?**
+पाठ्यक्रममा योगदान गर्ने धेरै तरिकाहरू छन्! यदि तपाईंले कुनै टाइपो वा बग फेला पार्नुभयो भने, कृपया [`course`](https://github.com/huggingface/course) रेपोमा एउटा इश्यु खोल्नुहोस्। यदि तपाईं पाठ्यक्रमलाई आफ्नो मातृभाषामा अनुवाद गर्न सहयोग गर्न चाहनुहुन्छ भने,
+[यहाँ](https://github.com/huggingface/course#translating-the-course-into-your-language) निर्देशनहरू जाँच गर्नुहोस्।
+
+- **प्रत्येक अनुवादमा के-के छनोटहरू गरिएका छन्?**
+प्रत्येक अनुवादमा एउटा शब्दावली र `TRANSLATING.txt` फाइल छ जसले मेसिन लर्निङ शब्दावली आदिको लागि गरिएका छनोटहरूको विवरण दिन्छ। जर्मनको लागि एउटा उदाहरण [यहाँ](https://github.com/huggingface/course/blob/main/chapters/de/TRANSLATING.txt) हेर्न सक्नुहुन्छ।
+
+- **के मैले यो पाठ्यक्रम पुन: प्रयोग गर्न सक्छु?**
+पक्कै! यो पाठ्यक्रम [Apache 2 license](https://www.apache.org/licenses/LICENSE-2.0.html) अन्तर्गत जारी गरिएको छ। यसको अर्थ तपाईंले उचित श्रेय दिनुपर्छ, लाइसेन्सको लिंक प्रदान गर्नुपर्छ, र परिवर्तनहरू गरिएको छ भने संकेत गर्नुपर्छ। तपाईंले कुनै उचित तरिकाले यसो गर्न
+सक्नुहुन्छ, तर लाइसेन्सदाताले तपाईंलाई वा तपाईंको प्रयोगलाई समर्थन गर्छ भन्ने संकेत नगर्ने गरी। यदि तपाईं पाठ्यक्रमलाई उद्धृत गर्न चाहनुहुन्छ भने, कृपया निम्न BibTeX प्रयोग गर्नुहोस्:
+```
+@misc{huggingfacecourse,
+  author = {Hugging Face},
+  title = {The Hugging Face Course, 2022},
+  howpublished = "\url{https://huggingface.co/course}",
+  year = {2022},
+  note = "[Online; accessed <today>]"
+}
+```
+
+## सुरु गरौं
+के तपाईं तयार हुनुहुन्छ? यस अध्यायमा, तपाईंले सिक्नुहुनेछ:
+
+* पाठ उत्पादन र वर्गीकरण जस्ता NLP कार्यहरू समाधान गर्न `pipeline()` फंक्शन कसरी प्रयोग गर्ने
+* Transformer आर्किटेक्चरको बारेमा
+* एन्कोडर, डिकोडर, र एन्कोडर-डिकोडर आर्किटेक्चरहरू र तिनका प्रयोग केसहरू बीच कसरी भिन्नता छुट्याउने