diff --git a/sources/visualization.md b/sources/visualization.md
index cd296c60..f86cae59 100644
--- a/sources/visualization.md
+++ b/sources/visualization.md
@@ -1,23 +1,22 @@
 
-## Model visualization
+## 모델 시각화
 
-Keras provides utility functions to plot a Keras model (using `graphviz`).
+Keras는 모델을 시각화할 수 있게 유틸리티 함수를 제공합니다(내부적으로 graphviz를 사용합니다).
 
-This will plot a graph of the model and save it to a file:
+다음 코드로 모델을 그래프화하고 파일로 저장할 수 있습니다:
 ```python
 from keras.utils import plot_model
 plot_model(model, to_file='model.png')
 ```
 
-`plot_model` takes four optional arguments:
+`plot_model` 함수에는 선택적으로 입력할 수 있는 4개의 인자가 있습니다:
 
-- `show_shapes` (defaults to False) controls whether output shapes are shown in the graph.
-- `show_layer_names` (defaults to True) controls whether layer names are shown in the graph.
-- `expand_nested` (defaults to False) controls whether to expand nested models into clusters in the graph.
-- `dpi` (defaults to 96) controls image dpi.
+- `show_shapes` (기본값 False) 출력 형태를 그래프로 보여줄지 여부
+- `show_layer_names` (기본값 True) 레이어 이름을 보여줄지 여부
+- `expand_nested` (기본값 False) 인접 모델을 클러스터로 확장할지 여부
+- `dpi` (기본값 96) DPI 조절
 
-You can also directly obtain the `pydot.Graph` object and render it yourself,
-for example to show it in an ipython notebook :
+`pydot.Graph` 객체로 여러분이 직접 그릴 수도 있습니다. 노트북 예제를 보이겠습니다 :
 ```python
 from IPython.display import SVG
 from keras.utils import model_to_dot
@@ -25,16 +24,17 @@ from keras.utils import model_to_dot
 SVG(model_to_dot(model).create(prog='dot', format='svg'))
 ```
 
-## Training history visualization
+## 훈련 히스토리 시각화
 
-The `fit()` method on a Keras `Model` returns a `History` object. The `History.history` attribute is a dictionary recording training loss values and metrics values at successive epochs, as well as validation loss values and validation metrics values (if applicable). Here is a simple example using `matplotlib` to generate loss & accuracy plots for training & validation:
+
+`Model`의 `fit()` 메서드는 `History` 객체를 리턴합니다. `History.history` 속성은 파이썬 딕셔너리로 형태인데 에포크에 따른 검증 손실값과 검증 메트릭값(획득가능할시)은 물론 훈련 손실값과 메트릭값을 알 수 있습니다. `matplotlib`을 사용하여 훈련과 검증시 손실과 정확도를 그려보겠습니다 :
 
 ```python
 import matplotlib.pyplot as plt
 
 history = model.fit(x, y, validation_split=0.25, epochs=50, batch_size=16, verbose=1)
 
-# Plot training & validation accuracy values
+# 훈련과 검증 정확도 그리기
 plt.plot(history.history['acc'])
 plt.plot(history.history['val_acc'])
 plt.title('Model accuracy')
@@ -43,7 +43,7 @@ plt.xlabel('Epoch')
 plt.legend(['Train', 'Test'], loc='upper left')
 plt.show()
 
-# Plot training & validation loss values
+# 훈련과 검증의 손실값 그리기
 plt.plot(history.history['loss'])
 plt.plot(history.history['val_loss'])
 plt.title('Model loss')