diff --git a/source/common/evaluation_basic.rst b/source/common/evaluation_basic.rst
index 5f933ee..f6b3008 100644
--- a/source/common/evaluation_basic.rst
+++ b/source/common/evaluation_basic.rst
@@ -1,39 +1,39 @@
 :orphan:
 
 #################################
-Validate and test a model (basic)
+모델 검증하고 테스트하기 (기본)
 #################################
-**Audience**: Users who want to add a validation loop to avoid overfitting
+**예상 독자**: 과적합(overfit)을 방지하기 위해 검증 단계를 추가하려는 사용자
 
 ----
 
-***************
-Add a test loop
-***************
-To make sure a model can generalize to an unseen dataset (ie: to publish a paper or in a production environment) a dataset is normally split into two parts, the *train* split and the *test* split.
+*********************
+테스트 단계 추가하기
+*********************
+모델이 학습하지 않은(unseen) 데이터셋에서도 일반화(generalize)되는지(예: 논문을 게재하거나 프로덕션 환경에서) 확인하기 위해, 일반적으로 데이터셋을 *학습용* 과 *테스트용* 의 두 부분으로 분할합니다.
 
-The test set is **NOT** used during training, it is **ONLY** used once the model has been trained to see how the model will do in the real-world.
+테스트셋은 학습에 사용하지 **않으며**, 학습된 모델이 실세계에서 얼마나 잘 동작하는지를 **평가하는데만** 사용합니다.
 
 ----
 
-Find the train and test splits
-==============================
-Datasets come with two splits. Refer to the dataset documentation to find the *train* and *test* splits.
+학습용과 테스트용 찾아보기
+=================================
+데이터셋은 두 부분으로 나뉘어 있습니다. 데이터셋 문서를 참고하여 *학습용* 과 *테스트용* 분할(split)을 찾아보세요.
 
 .. code-block:: python
 
    import torch.utils.data as data
    from torchvision import datasets
 
-   # Load data sets
+   # 데이터셋
    train_set = datasets.MNIST(root="MNIST", download=True, train=True)
    test_set = datasets.MNIST(root="MNIST", download=True, train=False)
 
 ----
 
-Define the test loop
-====================
-To add a test loop, implement the **test_step** method of the LightningModule
+테스트 단계(loop) 정의하기
+============================
+LightningModule의 **test_step** 메소드를 구현하여 테스트 단계(loop)를 추가합니다.
 
 .. code:: python
 
@@ -42,7 +42,7 @@ To add a test loop, implement the **test_step** method of the LightningModule
             ...
 
         def test_step(self, batch, batch_idx):
-            # this is the test loop
+            # 여기가 테스트하는 부분입니다.
             x, y = batch
             x = x.view(x.size(0), -1)
             z = self.encoder(x)
@@ -52,48 +52,48 @@ To add a test loop, implement the **test_step** method of the LightningModule
 
 ----
 
-Train with the test loop
-========================
-Once the model has finished training, call **.test**
+테스트 단계를 포함하여 학습하기
+==================================
+모델이 학습을 끝내고 난 뒤에, **.test** 를 호출합니다.
 
 .. code-block:: python
 
    from torch.utils.data import DataLoader
 
-   # initialize the Trainer
+   # Trainer 초기화하기
    trainer = Trainer()
 
-   # test the model
+   # 모델 테스트하기
    trainer.test(model, dataloaders=DataLoader(test_set))
 
 ----
 
 *********************
-Add a validation loop
+검증 단계 추가하기
 *********************
-During training, it's common practice to use a small portion of the train split to determine when the model has finished training.
+학습 중, 모델이 학습을 완료하는 시점을 판단하기 위해 학습 데이터의 작은 부분을 사용하는 것이 일반적입니다.
 
 ----
 
-Split the training data
+학습용 데이터 분할하기
 =======================
-As a rule of thumb, we use 20% of the training set as the **validation set**. This number varies from dataset to dataset.
+일반적으로 학습 데이터셋의 20% 가량을 **검증용셋** 으로 사용합니다. 이 숫자는 데이터셋에 따라 달라집니다.
 
 .. code-block:: python
 
-   # use 20% of training data for validation
+   # 학습용 데이터의 20%를 검증용으로 사용합니다.
    train_set_size = int(len(train_set) * 0.8)
    valid_set_size = len(train_set) - train_set_size
 
-   # split the train set into two
+   # 학습용 세트를 2개로 나눕니다.
    seed = torch.Generator().manual_seed(42)
    train_set, valid_set = data.random_split(train_set, [train_set_size, valid_set_size], generator=seed)
 
 ----
 
-Define the validation loop
+검증 단계 정의하기
 ==========================
-To add a validation loop, implement the **validation_step** method of the LightningModule
+LightningModule의 **validation_step** 메소드를 구현하여 검증 단계(loop)를 추가합니다.
 
 .. code:: python
 
@@ -102,7 +102,7 @@ To add a validation loop, implement the **validation_step** method of the Lightn
             ...
 
         def validation_step(self, batch, batch_idx):
-            # this is the validation loop
+            # 여기가 검증하는 부분입니다
             x, y = batch
             x = x.view(x.size(0), -1)
             z = self.encoder(x)
@@ -112,9 +112,9 @@ To add a validation loop, implement the **validation_step** method of the Lightn
 
 ----
 
-Train with the validation loop
+검증 단계를 포함하여 학습하기
 ==============================
-To run the validation loop, pass in the validation set to **.fit**
+검증 단계를 실행하기 위해, **.fit** 호출 시에 검증용 데이터를 함께 전달합니다.
 
 .. code-block:: python
 
@@ -123,6 +123,6 @@ To run the validation loop, pass in the validation set to **.fit**
    train_set = DataLoader(train_set)
    val_set = DataLoader(val_set)
 
-   # train with both splits
+   # 학습 데이터와 검증 데이터 모두를 사용하여 학습합니다.
    trainer = Trainer()
    trainer.fit(model, train_set, val_set)
diff --git a/source/levels/basic_level_2.rst b/source/levels/basic_level_2.rst
index 348a389..be7271e 100644
--- a/source/levels/basic_level_2.rst
+++ b/source/levels/basic_level_2.rst
@@ -1,8 +1,8 @@
 :orphan:
 
-######################################
-Level 2: Add a validation and test set
-######################################
+###########################################
+Level 2: 검증 세트와 테스트 세트 추가하기
+###########################################
 
 .. raw:: html
 
diff --git a/source/levels/core_skills.rst b/source/levels/core_skills.rst
index 19cab69..fed40bd 100644
--- a/source/levels/core_skills.rst
+++ b/source/levels/core_skills.rst
@@ -1,8 +1,9 @@
 
 ############
-Basic skills
+핵심 기술
 ############
-Learn the basics of model development with Lightning. Researchers and machine learning engineers should start here.
+
+Lightning을 사용하여 모델 개발의 기본을 배워보세요. 연구자와 머신러닝 엔지니어는 여기서부터 시작하시길 권합니다.
 
 .. join_slack::
    :align: left
@@ -17,48 +18,48 @@ Learn the basics of model development with Lightning. Researchers and machine le
 .. Add callout items below this line
 
 .. displayitem::
-   :header: Level 1: Train a model
-   :description: Learn the basics of training a model.
+   :header: Level 1: 모델 학습하기
+   :description: 모델 학습의 기본을 배워보세요.
    :button_link: ../model/train_model_basic.html
    :col_css: col-md-6
    :height: 150
    :tag: basic
 
 .. displayitem::
-   :header: Level 2: Add a validation and test set
-   :description: Add validation and test sets to avoid over/underfitting.
+   :header: Level 2: 검증 세트와 테스트 세트 추가하기
+   :description: 검증 세트와 테스트 세트를 추가하여 과적합/과소적합을 피하세요.
    :button_link: /levels/basic_level_2.html
    :col_css: col-md-6
    :height: 150
    :tag: basic
 
 .. displayitem::
-   :header: Level 3: Use pretrained models
-   :description: Learn how to use pretrained models with Lightning
+   :header: Level 3: 사전학습된 모델 사용하기
+   :description: 라이트닝에서 어떻게 사전학습된 모델을 사용하는지 배워보세요.
    :button_link: ../advanced/transfer_learning.html
    :col_css: col-md-6
    :height: 150
    :tag: basic
 
 .. displayitem::
-   :header: Level 4: Enable script parameters
-   :description: Add parameters to your script so you can run from the commandline.
+   :header: Level 4: 스크립트 매개변수 활성화하기
+   :description: 명령줄에서 스크립트를 실행할 수 있도록 매개변수를 추가하세요.
    :button_link: ../common/hyperparameters.html
    :col_css: col-md-6
    :height: 150
    :tag: basic
 
 .. displayitem::
-   :header: Level 5: Understand and visualize your model
-   :description: Remove bottlenecks and visualize your model
+   :header: Level 5: 모델을 이해하고 시각화하기
+   :description: 병목(bottleneck)을 제거하고 모델을 시각화해보세요.
    :button_link: ../levels/basic_level_5.html
    :col_css: col-md-6
    :height: 150
    :tag: basic
 
 .. displayitem::
-   :description: Use your model for predictions.
-   :header: Level 6: Predict with your model
+   :header: Level 6: 모델을 사용하여 예측하기
+   :description: 모델을 사용하여 예측해보세요.
    :button_link: core_level_6.html
    :col_css: col-md-6
    :height: 150
diff --git a/source/model/train_model_basic.rst b/source/model/train_model_basic.rst
index 24bdab8..58336f0 100644
--- a/source/model/train_model_basic.rst
+++ b/source/model/train_model_basic.rst
@@ -1,16 +1,16 @@
 :orphan:
 
 #####################
-Train a model (basic)
+모델 학습하기 (기본)
 #####################
-**Audience**: Users who need to train a model without coding their own training loops.
+**예상 독자**: 자체 학습 루프(loop)를 작성하지 않고 모델을 학습할 필요가 있는 사용자.
 
 ----
 
 ***********
-Add imports
+불러오기
 ***********
-Add the relevant imports at the top of the file
+파일의 가장 윗 부분에 관련 호출(import)을 추가합니다
 
 .. code:: python
 
@@ -25,9 +25,9 @@ Add the relevant imports at the top of the file
 
 ----
 
-*****************************
-Define the PyTorch nn.Modules
-*****************************
+***************************************
+파이토치(PyTorch) nn.Modules 정의하기
+***************************************
 
 .. code:: python
 
@@ -48,13 +48,13 @@ Define the PyTorch nn.Modules
 
 ----
 
-************************
-Define a LightningModule
-************************
-The LightningModule is the full **recipe** that defines how your nn.Modules interact.
+**************************
+LightningModule 정의하기
+**************************
+LightningModule은 nn.Module이 어떻게 동작할지 정의할 수 있는 완벽한 **비결(recipe)** 입니다.
 
-- The **training_step** defines how the *nn.Modules* interact together.
-- In the **configure_optimizers** define the optimizer(s) for your models.
+- **training_step** 은 *nn.Modules* 과 어떻게 상호 작용할 것인지 정의합니다.
+- **configure_optimizers** 에서는 모델에서 사용할 옵티마이저(들)을 정의합니다.
 
 .. code:: python
 
@@ -65,7 +65,7 @@ The LightningModule is the full **recipe** that defines how your nn.Modules inte
             self.decoder = decoder
 
         def training_step(self, batch, batch_idx):
-            # training_step defines the train loop.
+            # training_step은 학습 루프를 정의합니다.
             x, y = batch
             x = x.view(x.size(0), -1)
             z = self.encoder(x)
@@ -80,9 +80,9 @@ The LightningModule is the full **recipe** that defines how your nn.Modules inte
 ----
 
 ***************************
-Define the training dataset
+학습 데이터셋 정의하기
 ***************************
-Define a PyTorch :class:`~torch.utils.data.DataLoader` which contains your training dataset.
+학습 데이터셋을 포함하고 있는 PyTorch :class:`~torch.utils.data.DataLoader` 를 정의합니다.
 
 .. code-block:: python
 
@@ -92,9 +92,9 @@ Define a PyTorch :class:`~torch.utils.data.DataLoader` which contains your train
 ----
 
 ***************
-Train the model
+모델 학습하기
 ***************
-To train the model use the Lightning :doc:`Trainer <../common/trainer>` which handles all the engineering and abstracts away all the complexity needed for scale.
+모델 학습을 위해서는 Lightning :doc:`Trainer <../common/trainer>` 를 사용합니다. 이는 규모 확장 시에 필요한 모든 복잡성을 추상화하고 각종 엔지니어링을 담당합니다.
 
 .. code-block:: python
 
@@ -108,9 +108,9 @@ To train the model use the Lightning :doc:`Trainer <../common/trainer>` which ha
 ----
 
 ***************************
-Eliminate the training loop
+학습 루프 제거하기
 ***************************
-Under the hood, the Lightning Trainer runs the following training loop on your behalf
+사용자를 대신하여 Lightning Trainer가 내부적으로 아래와 같은 학습 루프를 실행합니다.
 
 .. code:: python
 
@@ -124,6 +124,6 @@ Under the hood, the Lightning Trainer runs the following training loop on your b
         optimizer.step()
         optimizer.zero_grad()
 
-The power of Lightning comes when the training loop gets complicated as you add validation/test splits, schedulers, distributed training and all the latest SOTA techniques.
+Lightning의 진가는 검증/테스트 분할(validation/test split), 스케줄러, 분산 학습 및 최신 SOTA 테크닉들을 추가하면서 학습 과정이 복잡해질 때 나타납니다.
 
-With Lightning, you can add mix all these techniques together without needing to rewrite a new loop every time.
+Lightning을 사용하면 매번 새로운 학습 루프를 작성할 필요없이 이러한 테크닉들을 모두 사용할 수 있습니다.