added the rest of the chapters/sections in chapter 1

chapters/sr/_toctree.yml

@@ -7,25 +7,25 @@
   sections:
     - local: chapter1/1
       title: Uvod
-#     - local: chapter1/2
-#       title: Natural Language Processing
-#     - local: chapter1/3
-#       title: Transformers, what can they do?
-#     - local: chapter1/4
-#       title: How do Transformers work?
-#     - local: chapter1/5
-#       title: Encoder models
-#     - local: chapter1/6
-#       title: Decoder models
-#     - local: chapter1/7
-#       title: Sequence-to-sequence models
-#     - local: chapter1/8
-#       title: Bias and limitations
-#     - local: chapter1/9
-#       title: Summary
-#     - local: chapter1/10
-#       title: End-of-chapter quiz
-#       quiz: 1
+     - 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:

chapters/sr/chapter1/1.mdx

@@ -31,7 +31,7 @@ Nakon što završite ovaj kurs, preporučujemo da pogledate specijalizaciju Deep
 
 ## Ko smo mi?
 
-About the authors:
+O autirima:
 
 [**Abubakar Abid**](https://huggingface.co/abidlabs) završio je doktorat na Stanfordu iz primenjenog mašinskog učenja. Tokom svojih doktorskih studija, osnovao je [Gradio](https://github.com/gradio-app/gradio), open-source Python biblioteku koja je korišćena za izradu preko 600,000 demoa mašinskog učenja. Gradio je kasnije akviziran od strane Hugging Face, gde Abubakar sada radi kao vođa tima za mašinsko učenje.
 
@@ -98,6 +98,6 @@ Jupyter sveske koje sadrže sav kod iz kursa se nalaze u repozitorijumu [`huggin
 
 Da li ste spremni? U ovom poglavlju naučićete:
 
-* How to use the `pipeline()` function to solve NLP tasks such as text generation and classification
-* About the Transformer architecture
-* How to distinguish between encoder, decoder, and encoder-decoder architectures and use cases
+* Kako da koristite `pipeline()` funkciju da rešite NLP zadatke poput generisanja teksta i klasifikacije
+* O Transformerskoj arhitekturi
+* Kako da razlikujete izmedju enkoder, dekoder i enkoder/dekoder arhitektura i slučaja kada se koriste