docs: ko: revised: change 'train', 'finetuning' in tasks/sequence_classification.mdx

Author: 0525hhgus

docs/source/ko/tasks/sequence_classification.mdx

@@ -20,8 +20,8 @@ specific language governing permissions and limitations under the License.
 
 이 가이드에서 학습할 내용은:
 
-1. [IMDb](https://huggingface.co/datasets/imdb) 데이터셋에서 [DistilBERT](https://huggingface.co/distilbert-base-uncased)를 미세 조정하여 영화 리뷰가 긍정적인지 부정적인지 판단합니다.
-2. 추론을 위해 미세 조정 모델을 사용합니다.
+1. [IMDb](https://huggingface.co/datasets/imdb) 데이터셋에서 [DistilBERT](https://huggingface.co/distilbert-base-uncased)를 파인 튜닝하여 영화 리뷰가 긍정적인지 부정적인지 판단합니다.
+2. 추론을 위해 파인 튜닝 모델을 사용합니다.
 
 <Tip>
 이 튜토리얼에서 설명하는 작업은 다음 모델 아키텍처에 의해 지원됩니다:
@@ -118,7 +118,7 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 
 ## 평가하기[[evaluate]]
 
-학습 중 모델의 성능을 평가하기 위해 메트릭을 포함하는 것이 유용합니다. 🤗 [Evaluate](https://huggingface.co/docs/evaluate/index) 라이브러리를 사용하여 빠르게 평가 방법을 로드할 수 있습니다. 이 작업에서는 [accuracy](https://huggingface.co/spaces/evaluate-metric/accuracy) 메트릭을 가져옵니다. (메트릭을 가져오고 계산하는 방법에 대해서는 🤗 Evaluate [quick tour](https://huggingface.co/docs/evaluate/a_quick_tour)를 참조하세요):
+훈련 중 모델의 성능을 평가하기 위해 메트릭을 포함하는 것이 유용합니다. 🤗 [Evaluate](https://huggingface.co/docs/evaluate/index) 라이브러리를 사용하여 빠르게 평가 방법을 로드할 수 있습니다. 이 작업에서는 [accuracy](https://huggingface.co/spaces/evaluate-metric/accuracy) 메트릭을 가져옵니다. (메트릭을 가져오고 계산하는 방법에 대해서는 🤗 Evaluate [quick tour](https://huggingface.co/docs/evaluate/a_quick_tour)를 참조하세요):
 
 ```py
 >>> import evaluate
@@ -140,9 +140,9 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 
 이제 `compute_metrics` 함수는 준비되었고, 훈련 과정을 설정할 때 다시 살펴볼 예정입니다.
 
-## 학습[[train]]
+## 훈련[[train]]
 
-모델을 학습하기 전에, `id2label`와 `label2id`를 사용하여 예상되는 id와 레이블의 맵을 생성하세요:
+모델을 훈련하기 전에, `id2label`와 `label2id`를 사용하여 예상되는 id와 레이블의 맵을 생성하세요:
 
 ```py
 >>> id2label = {0: "NEGATIVE", 1: "POSITIVE"}
@@ -153,11 +153,11 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 <pt>
 <Tip>
 
-[`Trainer`]를 사용하여 모델을 미세 조정하는 방법에 익숙하지 않은 경우, [여기](../training#train-with-pytorch-trainer)의 기본 튜토리얼을 확인하세요!
+[`Trainer`]를 사용하여 모델을 파인 튜닝하는 방법에 익숙하지 않은 경우, [여기](../training#train-with-pytorch-trainer)의 기본 튜토리얼을 확인하세요!
 
 </Tip>
 
-이제 모델을 학습시킬 준비가 되었습니다! [`AutoModelForSequenceClassification`]로 DistilBERT를 가쳐오고 예상되는 레이블 수와 레이블 매핑을 지정하세요:
+이제 모델을 훈련시킬 준비가 되었습니다! [`AutoModelForSequenceClassification`]로 DistilBERT를 가쳐오고 예상되는 레이블 수와 레이블 매핑을 지정하세요:
 
 ```py
 >>> from transformers import AutoModelForSequenceClassification, TrainingArguments, Trainer
@@ -169,9 +169,9 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 
 이제 세 단계만 거치면 끝입니다:
 
-1. [`TrainingArguments`]에서 하이퍼파라미터를 정의하세요. `output_dir`는 모델을 저장할 위치를 지정하는 유일한 파라미터입니다. 이 모델을 Hub에 업로드하기 위해 `push_to_hub=True`를 설정합니다. (모델을 업로드하기 위해 Hugging Face에 로그인해야합니다.) 각 에폭이 끝날 때마다, [`Trainer`]는 정확도를 평가하고 학습 체크포인트를 저장합니다.
-2. [`Trainer`]에 학습 인수와 모델, 데이터셋, 토크나이저, 데이터 수집기 및 `compute_metrics` 함수를 전달하세요.
-3. [`~Trainer.train`]를 호출하여 모델은 미세 조정하세요.
+1. [`TrainingArguments`]에서 하이퍼파라미터를 정의하세요. `output_dir`는 모델을 저장할 위치를 지정하는 유일한 파라미터입니다. 이 모델을 Hub에 업로드하기 위해 `push_to_hub=True`를 설정합니다. (모델을 업로드하기 위해 Hugging Face에 로그인해야합니다.) 각 에폭이 끝날 때마다, [`Trainer`]는 정확도를 평가하고 훈련 체크포인트를 저장합니다.
+2. [`Trainer`]에 훈련 인수와 모델, 데이터셋, 토크나이저, 데이터 수집기 및 `compute_metrics` 함수를 전달하세요.
+3. [`~Trainer.train`]를 호출하여 모델은 파인 튜닝하세요.
 
 ```py
 >>> training_args = TrainingArguments(
@@ -206,7 +206,7 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 
 </Tip>
 
-학습이 완료되면, [`~transformers.Trainer.push_to_hub`] 메소드를 사용하여 모델을 Hub에 공유할 수 있습니다.
+훈련이 완료되면, [`~transformers.Trainer.push_to_hub`] 메소드를 사용하여 모델을 Hub에 공유할 수 있습니다.
 
 ```py
 >>> trainer.push_to_hub()
@@ -215,10 +215,10 @@ tokenized_imdb = imdb.map(preprocess_function, batched=True)
 <tf>
 <Tip>
 
-Keras를 사용하여 모델을 미세 조정하는 방법에 익숙하지 않은 경우, [여기](../training#train-a-tensorflow-model-with-keras)의 기본 튜토리얼을 확인하세요!
+Keras를 사용하여 모델을 파인 튜닝하는 방법에 익숙하지 않은 경우, [여기](../training#train-a-tensorflow-model-with-keras)의 기본 튜토리얼을 확인하세요!
 
 </Tip>
-TensorFlow에서 모델을 미세 조정하려면, 먼저 옵티마이저 함수와 학습률 스케쥴, 그리고 일부 학습 하이퍼파라미터를 설정해야 합니다:
+TensorFlow에서 모델을 파인 튜닝하려면, 먼저 옵티마이저 함수와 학습률 스케쥴, 그리고 일부 훈련 하이퍼파라미터를 설정해야 합니다:
 
 ```py
 >>> from transformers import create_optimizer
@@ -259,15 +259,15 @@ TensorFlow에서 모델을 미세 조정하려면, 먼저 옵티마이저 함수
 ... )
 ```
 
-[`compile`](https://keras.io/api/models/model_training_apis/#compile-method)를 사용하여 학습할 모델을 구성합니다:
+[`compile`](https://keras.io/api/models/model_training_apis/#compile-method)를 사용하여 훈련할 모델을 구성합니다:
 
 ```py
 >>> import tensorflow as tf
 
 >>> model.compile(optimizer=optimizer)
 ```
 
-학습을 시작하기 전에 설정해야할 마지막 두 가지는 예측에서 정확도를 계산하고, 모델을 Hub에 업로드할 방법을 제공하는 것입니다. 모두 [Keras callbacks](../main_classes/keras_callbacks)를 사용하여 수행됩니다.
+훈련을 시작하기 전에 설정해야할 마지막 두 가지는 예측에서 정확도를 계산하고, 모델을 Hub에 업로드할 방법을 제공하는 것입니다. 모두 [Keras callbacks](../main_classes/keras_callbacks)를 사용하여 수행됩니다.
 
 [`~transformers.KerasMetricCallback`]에 `compute_metrics`를 전달하여 정확도를 높입니다.
 
@@ -294,33 +294,33 @@ TensorFlow에서 모델을 미세 조정하려면, 먼저 옵티마이저 함수
 >>> callbacks = [metric_callback, push_to_hub_callback]
 ```
 
-드디어, 모델 학습을 시작할 준비가 되었습니다! [`fit`](https://keras.io/api/models/model_training_apis/#fit-method)에 학습 데이터셋, 검증 데이터셋, 에폭의 수 및 콜백을 전달하여 미세 조정합니다:
+드디어, 모델 훈련을 시작할 준비가 되었습니다! [`fit`](https://keras.io/api/models/model_training_apis/#fit-method)에 훈련 데이터셋, 검증 데이터셋, 에폭의 수 및 콜백을 전달하여 파인 튜닝합니다:
 
 ```py
 >>> model.fit(x=tf_train_set, validation_data=tf_validation_set, epochs=3, callbacks=callbacks)
 ```
 
-학습이 완료되면, 모델이 자동으로 Hub에 업로드되어 모든 사람이 사용할 수 있습니다!
+훈련이 완료되면, 모델이 자동으로 Hub에 업로드되어 모든 사람이 사용할 수 있습니다!
 </tf>
 </frameworkcontent>
 
 <Tip>
 
-텍스트 분류를 위한 모델을 미세 조정하는 자세한 예제는 다음 [PyTorch notebook](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/text_classification.ipynb) 또는 [TensorFlow notebook](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/text_classification-tf.ipynb)를 참조하세요.
+텍스트 분류를 위한 모델을 파인 튜닝하는 자세한 예제는 다음 [PyTorch notebook](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/text_classification.ipynb) 또는 [TensorFlow notebook](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/text_classification-tf.ipynb)를 참조하세요.
 
 </Tip>
 
 ## 추론[[inference]]
 
-좋아요, 이제 모델을 미세 조정했으니 추론에 사용할 수 있습니다!
+좋아요, 이제 모델을 파인 튜닝했으니 추론에 사용할 수 있습니다!
 
 추론을 수행하고자 하는 텍스트를 가져와봅시다:
 
 ```py
 >>> text = "This was a masterpiece. Not completely faithful to the books, but enthralling from beginning to end. Might be my favorite of the three."
 ```
 
-미세 조정된 모델로 추론을 시도하는 가장 간단한 방법은 [`pipeline`]를 사용하는 것입니다. 모델로 감정 분석을 위한 `pipeline`을 인스턴스화하고, 텍스트를 전달해보세요:
+파인 튜닝된 모델로 추론을 시도하는 가장 간단한 방법은 [`pipeline`]를 사용하는 것입니다. 모델로 감정 분석을 위한 `pipeline`을 인스턴스화하고, 텍스트를 전달해보세요:
 
 ```py
 >>> from transformers import pipeline