Translation to Serbian: Chapter 0, Section 1: Chapter 1

.github/workflows/build_documentation.yml

@@ -14,6 +14,6 @@ jobs:
  package: course
  path_to_docs: course/chapters/
  additional_args: --not_python_module
- languages: ar bn de en es fa fr gj he hi id it ja ko pt ru th tr vi zh-CN zh-TW
+ languages: ar bn de en es fa fr gj he hi id it ja ko pt ru sr th tr vi zh-CN zh-TW
  secrets:
  hf_token: ${{ secrets.HF_DOC_BUILD_PUSH }}

.github/workflows/build_pr_documentation.yml

@@ -16,4 +16,4 @@ jobs:
  package: course
  path_to_docs: course/chapters/
  additional_args: --not_python_module
- languages: ar bn de en es fa fr gj he hi id it ja ko pt ru th tr vi zh-CN zh-TW
+ languages: ar bn de en es fa fr gj he hi id it ja ko pt ru sr th tr vi zh-CN zh-TW

chapters/sr/_toctree.yml

@@ -0,0 +1,201 @@
+- title: 0. Podešavanje
+ sections:
+ - local: chapter0/1
+ title: Uvod
+
+- title: 1. Transformer modeli
+ sections:
+ - local: chapter1/1
+ title: Uvod
+ - local: chapter1/2
+ title: Obrada prirodnog jezika
+ - local: chapter1/3
+ title: Transformeri, šta mogu da urade?
+ - local: chapter1/4
+ title: Kako Transformeri rade?
+ - local: chapter1/5
+ title: Enkoder modeli
+ - local: chapter1/6
+ title: Dekoder modeli
+ - local: chapter1/7
+ title: Sequence-to-sequence modeli
+ - local: chapter1/8
+ title: Pristrastnost i limitacije
+ - local: chapter1/9
+ title: Rezime
+ - local: chapter1/10
+ title: End-of-chapter quiz
+ quiz: 1
+
+# - title: 2. Using 🤗 Transformers
+# sections:
+# - local: chapter2/1
+# title: Introduction
+# - local: chapter2/2
+# title: Behind the pipeline
+# - local: chapter2/3
+# title: Models
+# - local: chapter2/4
+# title: Tokenizers
+# - local: chapter2/5
+# title: Handling multiple sequences
+# - local: chapter2/6
+# title: Putting it all together
+# - local: chapter2/7
+# title: Basic usage completed!
+# - local: chapter2/8
+# title: End-of-chapter quiz
+# quiz: 2
+
+# - title: 3. Fine-tuning a pretrained model
+# sections:
+# - local: chapter3/1
+# title: Introduction
+# - local: chapter3/2
+# title: Processing the data
+# - local: chapter3/3
+# title: Fine-tuning a model with the Trainer API or Keras
+# local_fw: { pt: chapter3/3, tf: chapter3/3_tf }
+# - local: chapter3/4
+# title: A full training
+# - local: chapter3/5
+# title: Fine-tuning, Check!
+# - local: chapter3/6
+# title: End-of-chapter quiz
+# quiz: 3
+
+# - title: 4. Sharing models and tokenizers
+# sections:
+# - local: chapter4/1
+# title: The Hugging Face Hub
+# - local: chapter4/2
+# title: Using pretrained models
+# - local: chapter4/3
+# title: Sharing pretrained models
+# - local: chapter4/4
+# title: Building a model card
+# - local: chapter4/5
+# title: Part 1 completed!
+# - local: chapter4/6
+# title: End-of-chapter quiz
+# quiz: 4
+
+# - title: 5. The 🤗 Datasets library
+# sections:
+# - local: chapter5/1
+# title: Introduction
+# - local: chapter5/2
+# title: What if my dataset isn't on the Hub?
+# - local: chapter5/3
+# title: Time to slice and dice
+# - local: chapter5/4
+# title: Big data? 🤗 Datasets to the rescue!
+# - local: chapter5/5
+# title: Creating your own dataset
+# - local: chapter5/6
+# title: Semantic search with FAISS
+# - local: chapter5/7
+# title: 🤗 Datasets, check!
+# - local: chapter5/8
+# title: End-of-chapter quiz
+# quiz: 5
+
+# - title: 6. The 🤗 Tokenizers library
+# sections:
+# - local: chapter6/1
+# title: Introduction
+# - local: chapter6/2
+# title: Training a new tokenizer from an old one
+# - local: chapter6/3
+# title: Fast tokenizers' special powers
+# - local: chapter6/3b
+# title: Fast tokenizers in the QA pipeline
+# - local: chapter6/4
+# title: Normalization and pre-tokenization
+# - local: chapter6/5
+# title: Byte-Pair Encoding tokenization
+# - local: chapter6/6
+# title: WordPiece tokenization
+# - local: chapter6/7
+# title: Unigram tokenization
+# - local: chapter6/8
+# title: Building a tokenizer, block by block
+# - local: chapter6/9
+# title: Tokenizers, check!
+# - local: chapter6/10
+# title: End-of-chapter quiz
+# quiz: 6
+
+# - title: 7. Main NLP tasks
+# sections:
+# - local: chapter7/1
+# title: Introduction
+# - local: chapter7/2
+# title: Token classification
+# - local: chapter7/3
+# title: Fine-tuning a masked language model
+# - local: chapter7/4
+# title: Translation
+# - local: chapter7/5
+# title: Summarization
+# - local: chapter7/6
+# title: Training a causal language model from scratch
+# - local: chapter7/7
+# title: Question answering
+# - local: chapter7/8
+# title: Mastering NLP
+# - local: chapter7/9
+# title: End-of-chapter quiz
+# quiz: 7
+
+# - title: 8. How to ask for help
+# sections:
+# - local: chapter8/1
+# title: Introduction
+# - local: chapter8/2
+# title: What to do when you get an error
+# - local: chapter8/3
+# title: Asking for help on the forums
+# - local: chapter8/4
+# title: Debugging the training pipeline
+# local_fw: { pt: chapter8/4, tf: chapter8/4_tf }
+# - local: chapter8/5
+# title: How to write a good issue
+# - local: chapter8/6
+# title: Part 2 completed!
+# - local: chapter8/7
+# title: End-of-chapter quiz
+# quiz: 8
+
+# - title: 9. Building and sharing demos
+# new: true
+# subtitle: I trained a model, but how can I show it off?
+# sections:
+# - local: chapter9/1
+# title: Introduction to Gradio
+# - local: chapter9/2
+# title: Building your first demo
+# - local: chapter9/3
+# title: Understanding the Interface class
+# - local: chapter9/4
+# title: Sharing demos with others
+# - local: chapter9/5
+# title: Integrations with the Hugging Face Hub
+# - local: chapter9/6
+# title: Advanced Interface features
+# - local: chapter9/7
+# title: Introduction to Blocks
+# - local: chapter9/8
+# title: Gradio, check!
+# - local: chapter9/9
+# title: End-of-chapter quiz
+# quiz: 9
+
+# - title: Course Events
+# sections:
+# - local: events/1
+# title: Live sessions and workshops
+# - local: events/2
+# title: Part 2 release event
+# - local: events/3
+# title: Gradio Blocks party

chapters/sr/chapter0/1.mdx

@@ -0,0 +1,118 @@
+# Uvod
+
+Dobrodošli na Hugging Face kurs! Ovaj uvod će vas uputiti kako da podesite vase radno okruženje. Ako tek počinjete sa kursom, preporučujemo da prvo pogledate [Poglavlje 1](/course/chapter1), a zatim se vratite i podesite svoje okruženje kako biste mogli sami da isprobate kod.
+
+Sve biblioteke koje ćemo koristiti u ovom kursu dostupne su kao Python paketi, pa ćemo vam ovde pokazati kako da podesite Python okruženje i instalirate specifične biblioteke koje će vam biti potrebne.
+
+Pokrićemo dva načina podešavanja radnog okruženja, koristeći Colab svesku ili Python virtuelno okruženje. Slobodno izaberite onaj koji vam najviše odgovara. Početnicima, toplo preporučujemo da počnu koristeći Colab svesku.
+
+Napominjemo da nećemo pokrivati Windows sistem. Ako koristite Windows, preporučujemo da pratite kurs koristeći Colab svesku. Ako koristite Linux distribuciju ili macOS, možete koristiti bilo koji od opisanih pristupa.
+
+Većina kursa zahteva da imate nalog na Hugging Face. Preporučujemo da ga sada napravite: [napravite nalog](https://huggingface.co/join).
+
+## Korišnje Google Colab sveske
+
+Korišćenje Colab sveske je najjednostavniji mogući način; pokrenite svesku u vašem pretraživaču i odmah počnite sa kodiranjem!
+
+Ako niste upoznati sa Colab-om, preporučujemo vam da počnete pratći [uvod](https://colab.research.google.com/notebooks/intro.ipynb). Colab vam omogućava korišćenje hardvera za ubrzanje, kao sto su različite vrste GPU-a ili TPU-a, i besplatan je za manja radna opterećenja.
+
+Kada ste komfroni sa korišćenjem Colab-a, kreirajte novu svesku i započnite sa podešavanjem:
+
+<div class="flex justify-center">
+ <img
+ src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter0/new_colab.png"
+ alt="Prazna Colab sveska"
+ width="80%"
+ />
+</div>
+
+Sledeći korak je instalacija biblioteka koje ćemo koristiti u ovom kursu. Koristićemo `pip` za instalaciju, koji je menadžer paketa za Python. U sveskama, sistemske komande možete pokrenuti stavljajući `!` karakter ispred, pa tako možete instalirati 🤗 Transformers biblioteku na sledeći način:
+
+```
+!pip install transformers
+```
+
+Možete se osigurati da je paket ispravno instalirani tako što ćete ga uvesti u vaše Python okruženje:
+
+```
+import transformers
+```
+
+<div class="flex justify-center">
+ <img
+ src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter0/install.gif"
+ alt="A gif showing the result of the two commands above: installation and import"
+ width="80%"
+ />
+</div>
+
+Ovo instalira veoma light verziju 🤗 Transformers-a. Ne instaliraju se specifični okviri za mašinsko učenje (poput PyTorch-a ili TensorFlow-a). Pošto ćemo koristiti mnogo različitih funkcija biblioteke, preporučujemo instalaciju razvojne verzije, koja dolazi sa svim potrebnim zavisnostima za skoro svaku zamislivu upotrebu:
+
+```
+!pip install transformers[sentencepiece]
+```
+
+To će potrajati malo duže, ali ćete yato biti spremni za nastavak kursa!
+
+## Korišcenje Python virtualnog okruženja
+
+Ako preferirate korišćenje Python virtuelnog okruženja, prvi korak je instalacija Python-a na vaš sistem. Preporučujemo praćenje [ovog priručnika](https://realpython.com/installing-python/) za početak.
+
+Kada imate Python instaliran, moći ćete izvršavate Python komande u vašem terminalu. Možete početi sa sledećom komandom da biste bili sigurni da je pravilno instaliran pre nego što nastavite sa sledećim koracima: `python --version`. Ovo bi trebalo da ispiše Python verziju dostupnu na vašem sistemu.
+
+Kada izvršavate Python komandu u vašem terminalu, kao što je `python --version`, treba da zamislite program koji izvršava vašu komandu kao "glavni" Python na vašem sistemu. Preporučujemo da ovu glavnu instalaciju održavate slobodnom od bilo kakvih paketa i koristite je za kreiranje zasebnih okruženja za svaku aplikaciju na kojoj radite — na taj način, svaka aplikacija može imati svoje zavisnosti i pakete, i nećete morati brinuti o potencijalnim problemima kompatibilnosti sa drugim aplikacijama.
+
+U Python-u ovo se postiže korišćenjem [_virtualnih okruženja_](https://docs.python.org/3/tutorial/venv.html), koja su samosadržeća direktorijumska stabla koja sadrže instalaciju Python-a sa određenom verzijom Python-a zajedno sa svim paketima koji su potrebni aplikaciji. Kreiranje takvog virtuelnog okruženja može se obaviti korišćenjem različitih alata, ali ćemo koristiti zvanični Python paket za tu svrhu, koji se zove [`venv`](https://docs.python.org/3/library/venv.html#module-venv).
+
+Prvo, kreirajte direktorijum u kojem želite da vaša aplikacija živi — na primer, možda želite da napravite novi direktorijum pod nazivom _transformers-course_ u korenu vašeg Home direktorijuma:
+
+```
+mkdir ~/transformers-course
+cd ~/transformers-course
+```
+
+z unutrašnjosti ovog direktorijuma, napravite virtualno okruženje koristeći Python `venv` modul:
+
+```
+python -m venv .env
+```
+
+Sada bi trebalo da imate direktorijum koji se zove _.env_ u inače praznom folderu:
+
+```
+ls -a
+```
+
+```out
+. .. .env
+```
+
+Možete ulaziti ili izlaziti iz vašeg virtualnog okruženja koristeći `activate` i `deactivate` skripte:
+
+```
+# Aktiviranje virtualnog okruženja
+source .env/bin/activate
+
+# Deaktiviranje virtualnog okruženja
+deactivate
+```
+
+Možete biti sigurni da je okruženje aktivirano pokretanjem `which python` komande: ako pokazuje na virtuelno okruženje, tada ste ga uspešno aktivirali!
+
+```
+which python
+```
+
+```out
+/home/<user>/transformers-course/.env/bin/python
+```
+
+### Instalacija zavisnosti
+
+Kao i u prethodnom odeljku o korišćenju Google Colab instance, sada ćete morati instalirati pakete potrebne za nastavak. Ponovo, možete instalirati razvojnu verziju 🤗 Transformers koristeći `pip` packet menadžer:
+
+```
+pip install "transformers[sentencepiece]"
+```
+
+Sada ste potpuno spremni za nastavak!