initial commit for english translation (#117)

* add translation script with openai

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* translated api-deploment

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* translated introduction

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* translated kubeflow

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* translated kubelfow dashboard guide

* translated setup components

* translated setup kubernets

* translated appendix

* translated prerequisites

* translated further readings

* copy to current version

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* fix for build

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

* remove pre commit

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

---------

Signed-off-by: Aiden-Jeon <aiden.jongseob@gmail.com>

.github/workflows/pull-request.yml

@@ -8,9 +8,3 @@ jobs:
     runs-on: ubuntu-latest
     steps:
       - uses: anencore94/labeler@v1.1.0
-
-  pre-commit:
-    runs-on: ubuntu-latest
-    steps:
-      - uses: actions/checkout@v2
-      - uses: pre-commit/action@v2.0.0

.gitignore

@@ -21,3 +21,5 @@ yarn-error.log*
 
 v1/
 .vscode
+
+openai.env

community/how-to-contribute.md

@@ -20,38 +20,38 @@ sidebar_position: 2
 
 - node & npm
 
-    ```text
+    ```bash
     npm --version
     ```
 
 - hugo
 
-    ```text
+    ```bash
     hugo version
     ```
 
 1. 필요한 node module을 설치합니다.
 
-    ```text
+    ```bash
     npm install
     ```
 
 2. 프로젝트에서는 각 글의 일관성을 위해서 여러 markdown lint를 적용하고 있습니다.  
   다음 명령어를 실행해 test를 진행한 후 커밋합니다.내용 수정 및 추가 후 lint가 맞는지 확인합니다.
 
-    ```text
+    ```bash
     npm test
     ```
 
 4. lint 확인 완료 후 ci 를 실행합니다.
 
-    ```text
+    ```bash
     npm ci
     ```
 
 4. 로컬에서 실행 후 수정한 글이 정상적으로 나오는지 확인합니다.
 
-    ```text
+    ```bash
     npm run start
     ```
 

docs/api-deployment/seldon-children.md

@@ -222,7 +222,7 @@ MLflow 대시보드를 확인하면 다음과 같이 두 개의 모델이 생성
 
 각각의 run_id를 확인 후 다음과 같이 SeldonDeployment 스펙을 정의합니다.
 
-```text
+```bash
 apiVersion: machinelearning.seldon.io/v1
 kind: SeldonDeployment
 metadata:
@@ -309,7 +309,7 @@ spec:
 
 모델이 실행하는 순서는 graph에서 정의됩니다.
 
-```text
+```bash
 graph:
   name: scaler
   type: MODEL
@@ -334,7 +334,7 @@ graph의 동작 방식은 처음 받은 값을 정해진 predict_method로 변
 
 이제 위의 스펙을 yaml파일로 생성해 보겠습니다.
 
-```text
+```bash
 cat <<EOF > multi-model.yaml
 apiVersion: machinelearning.seldon.io/v1
 kind: SeldonDeployment
@@ -420,24 +420,24 @@ EOF
 
 다음 명령어를 통해 API를 생성합니다.
 
-```text
+```bash
 kubectl apply -f multi-model.yaml
 ```
 
 정상적으로 수행되면 다음과 같이 출력됩니다.
 
-```text
+```bash
 seldondeployment.machinelearning.seldon.io/multi-model-example created
 ```
 
 정상적으로 생성됐는지 확인합니다.
 
-```text
+```bash
 kubectl get po -n kubeflow-user-example-com | grep multi-model-example
 ```
 
 정상적으로 생성되면 다음과 비슷한 pod이 생성됩니다.
 
-```text
+```bash
 multi-model-example-model-0-scaler-svc-9955fb795-n9ffw   4/4     Running     0          2m30s
 ```

docs/api-deployment/seldon-fields.md

@@ -20,7 +20,7 @@ Seldon Core가 API 서버를 생성하는 과정을 요약하면 다음과 같
 
 Seldon Core를 사용할 때, 주로 사용하게 되는 커스텀 리소스인 SeldonDeployment를 정의하는 yaml 파일은 다음과 같습니다.
 
-```text
+```bash
 apiVersion: machinelearning.seldon.io/v1
 kind: SeldonDeployment
 metadata:
@@ -84,7 +84,7 @@ SeldonDeployment spe 중 `name` 과 `predictors` 필드는 required 필드입니
 
 ### volumes
 
-```text
+```bash
 volumes:
 - name: model-provision-location
   emptyDir: {}
@@ -96,7 +96,7 @@ array로 입력을 받으며 array의 구성 요소는 `name`과 `emptyDir` 입
 
 ### initContainer
 
-```text
+```bash
 - name: model-initializer
   image: gcr.io/kfserving/storage-initializer:v0.4.0
   args:
@@ -128,13 +128,13 @@ seldon core에서 권장하는 이미지는 크게 두 가지입니다.
 각각의 자세한 내용은 다음을 참고 바랍니다.
 
 - [kfserving](https://docs.seldon.io/projects/seldon-core/en/latest/servers/kfserving-storage-initializer.html)
-- [rlone](https://github.com/SeldonIO/seldon-core/tree/master/components/rclone-storage-initializer)
+- [rclone](https://github.com/SeldonIO/seldon-core/tree/master/components/rclone-storage-initializer)
 
 *모두의 MLOps* 에서는 kfserving을 사용합니다.
 
 #### args
 
-```text
+```bash
 args:
   - "gs://seldon-models/v1.12.0-dev/sklearn/iris"
   - "/mnt/models"
@@ -146,7 +146,7 @@ array로 구성되며 첫 번째 array의 값은 다운로드받을 모델의 
 
 ### volumeMounts
 
-```text
+```bash
 volumeMounts:
   - mountPath: /mnt/models
     name: model-provision-location
@@ -157,7 +157,7 @@ volumeMounts:
 
 ### container
 
-```text
+```bash
 containers:
 - name: model
   image: seldonio/sklearnserver:1.8.0-dev
@@ -191,7 +191,7 @@ Seldon Core에서 지원하는 공식 이미지는 다음과 같습니다.
 
 #### volumeMounts
 
-```text
+```bash
 volumeMounts:
 - mountPath: /mnt/models
   name: model-provision-location
@@ -203,7 +203,7 @@ initContainer에서 다운로드받은 데이터가 있는 경로를 알려주
 
 #### securityContext
 
-```text
+```bash
 securityContext:
   privileged: true
   runAsUser: 0
@@ -215,7 +215,7 @@ securityContext:
 
 ## graph
 
-```text
+```bash
 graph:
   name: model
   type: MODEL
@@ -236,7 +236,7 @@ graph:
 
 type은 크게 4가지가 있습니다.
 
-1. TRANSFROMER
+1. TRANSFORMER
 2. MODEL
 3. OUTPUT_TRANSFORMER
 4. ROUTER

docs/api-deployment/seldon-iris.md

@@ -17,7 +17,7 @@ SeldonDeployment는 쿠버네티스(Kubernetes)에 모델을 REST/gRPC 서버의
 SeldonDeployment 관련된 실습은 seldon-deploy라는 새로운 네임스페이스(namespace)에서 진행하도록 하겠습니다.
 네임스페이스를 생성한 뒤, seldon-deploy를 현재 네임스페이스로 설정합니다.
 
-```text
+```bash
 kubectl create namespace seldon-deploy
 kubectl config set-context --current --namespace=seldon-deploy
 ```
@@ -28,7 +28,7 @@ SeldonDeployment를 배포하기 위한 yaml 파일을 생성합니다.
 이번 페이지에서는 공개된 iris model을 사용하도록 하겠습니다.
 이 iris model은 sklearn 프레임워크를 통해 학습되었기 때문에 SKLEARN_SERVER를 사용합니다.
 
-```text
+```bash
 cat <<EOF > iris-sdep.yaml
 apiVersion: machinelearning.seldon.io/v1alpha2
 kind: SeldonDeployment
@@ -50,19 +50,19 @@ EOF
 
 yaml 파일을 배포합니다.
 
-```text
+```bash
 kubectl apply -f iris-sdep.yaml
 ```
 
 다음 명령어를 통해 정상적으로 배포가 되었는지 확인합니다.
 
-```text
+```bash
 kubectl get pods --selector seldon-app=sklearn-default -n seldon-deploy
 ```
 
 모두 Running 이 되면 다음과 비슷한 결과가 출력됩니다.
 
-```text
+```bash
 NAME                                            READY   STATUS    RESTARTS   AGE
 sklearn-default-0-classifier-5fdfd7bb77-ls9tr   2/2     Running   0          5m
 ```
@@ -79,21 +79,21 @@ sklearn-default-0-classifier-5fdfd7bb77-ls9tr   2/2     Running   0          5m
 
 따라서 우선 Ambassador Ingress Gateway의 url을 환경 변수로 설정합니다.
 
-```text
+```bash
 export NODE_IP=$(kubectl get nodes -o jsonpath='{ $.items[*].status.addresses[?(@.type=="InternalIP")].address }')
 export NODE_PORT=$(kubectl get service ambassador -n seldon-system -o jsonpath="{.spec.ports[0].nodePort}")
 ```
 
 설정된 url을 확인합니다.
 
-```text
+```bash
 echo "NODE_IP"=$NODE_IP
 echo "NODE_PORT"=$NODE_PORT
 ```
 
 다음과 비슷하게 출력되어야 하며, 클라우드 등을 통해 설정할 경우, internal ip 주소가 설정되는 것을 확인할 수 있습니다.
 
-```text
+```bash
 NODE_IP=192.168.0.19
 NODE_PORT=30486
 ```
@@ -103,7 +103,7 @@ NODE_PORT=30486
 SeldonDeployment가 배포된 `namespace`와 `seldon-deployment-name`를 의미합니다.
 이는 스펙을 정의할 때 metadata에 정의된 값을 사용합니다.
 
-```text
+```bash
 metadata:
   name: sklearn
   namespace: seldon-deploy
@@ -120,7 +120,7 @@ SeldonDeployment에서 주로 사용하는 `method-name`은 두 가지가 있습
 
 각각의 method의 자세한 사용 방법은 아래에서 설명합니다.
 
-## Use Swagger
+## Using Swagger
 
 우선 doc method를 사용하는 방법입니다. doc method를 이용하면 seldon에서 생성한 swagger에 접속할 수 있습니다.
 
@@ -147,7 +147,7 @@ UI에서 `/seldon/seldon-deploy/sklearn/api/v1.0/predictions` 메뉴를 선택
 
 다음 데이터를 입력합니다.
 
-```text
+```bash
 {
   "data": {
     "ndarray":[[1.0, 2.0, 5.0, 6.0]]
@@ -163,7 +163,7 @@ UI에서 `/seldon/seldon-deploy/sklearn/api/v1.0/predictions` 메뉴를 선택
 
 정상적으로 수행되면 다음과 같은 추론 결과를 얻습니다.
 
-```text
+```bash
 {
   "data": {
     "names": [
@@ -193,14 +193,14 @@ UI에서 `/seldon/seldon-deploy/sklearn/api/v1.0/predictions` 메뉴를 선택
 
 예를 들어, 다음과 같이 `/predictions`를 요청하면
 
-```text
+```bash
 curl -X POST http://$NODE_IP:$NODE_PORT/seldon/seldon-deploy/sklearn/api/v1.0/predictions \
 -H 'Content-Type: application/json' \
 -d '{ "data": { "ndarray": [[1,2,3,4]] } }'
 ```
 
 아래와 같은 응답이 정상적으로 출력되는 것을 확인할 수 있습니다.
 
-```text
+```bash
 {"data":{"names":["t:0","t:1","t:2"],"ndarray":[[0.0006985194531162835,0.00366803903943666,0.995633441507447]]},"meta":{"requestPath":{"classifier":"seldonio/sklearnserver:1.11.2"}}}
 ```