diff --git a/docs_ko/get_started/introduction.rst b/docs_ko/get_started/introduction.rst
index 2c1ad6bd7c2af089127b4a28486a10e5a84040b1..c8ca8c1f8a45abc2d753c50062ba8685daeb134b 100644
--- a/docs_ko/get_started/introduction.rst
+++ b/docs_ko/get_started/introduction.rst
@@ -162,12 +162,13 @@
     data.is_undirected()
     >>> True
 
-We can see that the first graph in the dataset contains 37 nodes, each one having 3 features.
-There are 168/2 = 84 undirected edges and the graph is assigned to exactly one class.
-In addition, the data object is holding exactly one graph-level target.
 
-We can even use slices, long or bool tensors to split the dataset.
-*E.g.*, to create a 90/10 train/test split, type:
+데이터셋의 첫 번째 그래프에는 37개의 노드가 있으며, 각 노드에는 3개의 피쳐가 있는 것을 확인할 수 있습니다.
+168/2 = 84개의 방향성이 없는 엣지가 있고 그래프는 정확히 하나의 클래스에 할당되어 있습니다.
+또한, 데이터 객체는 정확히 하나의 그래프 수준의 타겟을 가지고 있습니다.
+
+슬라이스(slices), 롱(long) 또는 부울(bool) 텐서를 사용하여 데이터 셋을 분할할 수도 있습니다.
+*예시*, 90/10 학습/테스트 분할(train/test split)을 하려면, 다음을 입력하십시오:
 
 .. code-block:: python
 
@@ -210,7 +211,7 @@ We can even use slices, long or bool tensors to split the dataset.
     dataset.num_node_features
     >>> 1433
 
-여기 이 데이터셋에는 방향이 없는 인용 그래프(citation graph) 하나만 포함되어 있습니다:
+여기 이 데이터셋에는 방향성이 없는 인용 그래프(citation graph) 하나만 포함되어 있습니다:
 
 .. code-block:: python
 
@@ -231,24 +232,26 @@ We can even use slices, long or bool tensors to split the dataset.
     >>> 1000
 
 This time, the :class:`~torch_geometric.data.Data` objects holds a label for each node, and additional node-level attributes: :obj:`train_mask`, :obj:`val_mask` and :obj:`test_mask`, where
+이번에는, `~torch_geometric.data.Data` 클래스(class)의 객체에 각 노드의 레이블과 추가적인 노드 수준의 속성(attribute)인 `train_mask`, `val_mask`, `test_mask`가 있습니다:
 
-- :obj:`train_mask` denotes against which nodes to train (140 nodes),
-- :obj:`val_mask` denotes which nodes to use for validation, *e.g.*, to perform early stopping (500 nodes),
-- :obj:`test_mask` denotes against which nodes to test (1000 nodes).
+- `train_mask`는 훈련할 노드(140개 노드)를 나타냅니다,
+- `val_mask`는 검증 단계(validation)에서, *예를 들어*, 조기 종료(early stopping)시키기 위해 사용할 노드(500개 노드)를 나타냅니다,
+- `test_mask` 테스트할 노드(1000개 노드)를 나타냅니다.
 
-Mini-batches
+미니 배치(Mini-batches)
 ------------
 
 Neural networks are usually trained in a batch-wise fashion.
-:pyg:`PyG` achieves parallelization over a mini-batch by creating sparse block diagonal adjacency matrices (defined by :obj:`edge_index`) and concatenating feature and target matrices in the node dimension.
-This composition allows differing number of nodes and edges over examples in one batch:
+신경망(Neural network)은 주로 배치 별 학습 방식을 사용합니다.
+`PyG` 희소 블록 대각 인접 행렬(sparse block diagonal adjacency matrix, `edge_index`로 정의됨)을 만들고 노드의 차원으로 특징(feature)과 타겟 행렬을 결합(concatenate)해서 미니 배치를 활용한 병렬화를 가능하게 합니다.
+이 구성에 따라 예제마다 하나의 배치당 노드 개수와 엣지 개수를 다르게 가져갈 수 있습니다:
 
 .. math::
 
     \mathbf{A} = \begin{bmatrix} \mathbf{A}_1 & & \\ & \ddots & \\ & & \mathbf{A}_n \end{bmatrix}, \qquad \mathbf{X} = \begin{bmatrix} \mathbf{X}_1 \\ \vdots \\ \mathbf{X}_n \end{bmatrix}, \qquad \mathbf{Y} = \begin{bmatrix} \mathbf{Y}_1 \\ \vdots \\ \mathbf{Y}_n \end{bmatrix}
 
-:pyg:`PyG` contains its own :class:`torch_geometric.loader.DataLoader`, which already takes care of this concatenation process.
-Let's learn about it in an example:
+`PyG`는 이미 이러한 결합(concatenation) 프로세스를 처리하는 자체적인 `torch_geometric.loader.DataLoader` 클래스(class)를 가지고 있습니다.
+예시를 통해 배워봅시다:
 
 .. code-block:: python
 
@@ -265,15 +268,15 @@ Let's learn about it in an example:
         batch.num_graphs
         >>> 32
 
-:class:`torch_geometric.data.Batch` inherits from :class:`torch_geometric.data.Data` and contains an additional attribute called :obj:`batch`.
+`torch_geometric.data.Batch` 클래스(class)는 `torch_geometric.data.Data` 클래스(class)로부터 상속을 받으며 `batch`라는 추가적인 속성(attribute)을 갖습니다.
 
-:obj:`batch` is a column vector which maps each node to its respective graph in the batch:
+`batch`는 배치에서 각 노드를 그것이 속하는 그래프에 매핑하는 열 벡터입니다:
 
 .. math::
 
     \mathrm{batch} = {\begin{bmatrix} 0 & \cdots & 0 & 1 & \cdots & n - 2 & n -1 & \cdots & n - 1 \end{bmatrix}}^{\top}
 
-You can use it to, *e.g.*, average node features in the node dimension for each graph individually:
+이것은, 예를 들어 각 그래프에 속한 노드들의 특징(feature)을 노드 차원에서 평균화하는 데 사용할 수 있습니다:
 
 .. code-block:: python
 
@@ -296,7 +299,9 @@ You can use it to, *e.g.*, average node features in the node dimension for each
         >>> torch.Size([32, 21])
 
 You can learn more about the internal batching procedure of :pyg:`PyG`, *e.g.*, how to modify its behavior, `here <../advanced/batching.html>`__.
+`여기 <../advanced/batching.html>`__ 서 `PyG`의 내부 배치 처리 기법(예: 배치의 동작을 수정하는 방법)에 대해 더 자세히 알아볼 수 있습니다. 
 For documentation of scatter operations, we refer the interested reader to the :obj:`torch_scatter` `documentation <https://pytorch-scatter.readthedocs.io>`_.
+scatter 연산에 대해 관심 있는 독자분들은 `torch_scatter` `documentation <https://pytorch-scatter.readthedocs.io>`_ 를 참조하시기 바랍니다.
 
 Data Transforms
 ---------------