diff --git a/vi/cheatsheet-supervised-learning.md b/vi/cheatsheet-supervised-learning.md
index cfcee9526..10cdb34d3 100644
--- a/vi/cheatsheet-supervised-learning.md
+++ b/vi/cheatsheet-supervised-learning.md
@@ -72,7 +72,7 @@
 
 **13. [Least squared error, Logistic loss, Hinge loss, Cross-entropy]**
 
-⟶
+⟶ [Least squared error, Mất mát Logistic, Mất mát Hinge, Cross-entropy]
 
 <br>
 
@@ -270,31 +270,31 @@
 
 **46. Remark: the line is defined as wTx−b=0.**
 
-&#10230;
+&#10230; Chú ý: Đường thẳng được định nghĩa như là wTx−b=0.
 
 <br>
 
 **47. Hinge loss ― The hinge loss is used in the setting of SVMs and is defined as follows:**
 
-&#10230;
+&#10230; Mất mát Hinge - Mất mát hinge được sử dụng khi thiết lập SVMs và được định nghĩa như sau:
 
 <br>
 
 **48. Kernel ― Given a feature mapping ϕ, we define the kernel K to be defined as:**
 
-&#10230;
+&#10230; Kernel (nhân) - Cho trước feature mapping ϕ, chúng ta định nghĩa kernel K như sau:
 
 <br>
 
 **49. In practice, the kernel K defined by K(x,z)=exp(−||x−z||22σ2) is called the Gaussian kernel and is commonly used.**
 
-&#10230;
+&#10230; Trong thực tế, kernel K được định nghĩa bởi K(x,z)=exp(−||x−z||22σ2) được gọi là Gaussian kernal và thường được sử dụng.
 
 <br>
 
 **50. [Non-linear separability, Use of a kernel mapping, Decision boundary in the original space]**
 
-&#10230;
+&#10230; [Phân tách phi tuyến tính, Sử dụng kernel mapping, Ranh giới quyết định trong không gian gốc]
 
 <br>
 
@@ -306,7 +306,7 @@
 
 **52. Lagrangian ― We define the Lagrangian L(w,b) as follows:**
 
-&#10230;
+&#10230; Lagrangian - Chúng ta định nghĩa Lagrangian L(w,b) như sau:
 
 <br>
 
@@ -318,7 +318,7 @@
 
 **54. Generative Learning**
 
-&#10230;
+&#10230; Generative Learning
 
 <br>
 
@@ -330,7 +330,7 @@
 
 **56. Gaussian Discriminant Analysis**
 
-&#10230;
+&#10230; Phân tích Gaussian Discriminant
 
 <br>
 
@@ -348,7 +348,7 @@
 
 **59. Naive Bayes**
 
-&#10230;
+&#10230; Naive Bayes
 
 <br>
 
@@ -372,7 +372,7 @@
 
 **63. Tree-based and ensemble methods**
 
-&#10230;
+&#10230; Phương thức Tree-based và toàn thể
 
 <br>
 
@@ -540,7 +540,7 @@
 
 **91. [Support vector machines, Optimal margin classifier, Hinge loss, Kernel]**
 
-&#10230;
+&#10230; [Máy vector hỗ trợ, Tối ưu phân loại biên, Mất mát Hinge, Kernel]
 
 <br>
 
@@ -558,10 +558,10 @@
 
 **94. [Other methods, k-NN]**
 
-&#10230;
+&#10230; [Các phương thức khác, k-NN]
 
 <br>
 
 **95. [Learning theory, Hoeffding inequality, PAC, VC dimension]**
 
-&#10230;
+&#10230; [Lí thuyết học, Hoeffding inequality, PAC, VC dimension]