diff --git a/chapters/ko/_toctree.yml b/chapters/ko/_toctree.yml
index da836b8cf..839176543 100644
--- a/chapters/ko/_toctree.yml
+++ b/chapters/ko/_toctree.yml
@@ -51,13 +51,12 @@
   sections:
   - local: chapter3/2
     title: 데이터 처리
-  - local: chapter3/5
-    title: 학습 곡선 이해하기
-
-- title: 3. 🤗 사전훈련된 모델 미세조정
-  sections:
   - local: chapter3/3
     title: Trainer API를 사용한 모델 미세조정
+  - local: chapter3/5
+    title: 학습 곡선 이해하기
+  - local: chapter3/6
+    title: 파인튜닝
 
 - title: 5. 🤗 Datasets 라이브러리
   sections:
diff --git a/chapters/ko/chapter3/6.mdx b/chapters/ko/chapter3/6.mdx
new file mode 100644
index 000000000..185f504a4
--- /dev/null
+++ b/chapters/ko/chapter3/6.mdx
@@ -0,0 +1,46 @@
+<FrameworkSwitchCourse {fw} />
+
+# 파인튜닝 완료![[fine-tuning-check]]
+
+<CourseFloatingBanner
+    chapter={3}
+    classNames="absolute z-10 right-0 top-0"
+/>
+
+정말 광범위한 내용을 다뤘습니다! 처음 두 챕터에서 모델과 토크나이저에 대해 배웠고, 이제 최신 모범 사례를 사용하여 여러분의 데이터 세트로 파인튜닝하는 방법을 알게 되었습니다. 요약하자면, 이 챕터에서는 다음을 배웠습니다.
+
+* [Hub](https://huggingface.co/datasets)의 데이터 세트와 최신 데이터 처리 기법에 대해 학습했습니다.
+* 동적 패딩과 데이터 콜레이터 사용을 포함하여 데이터 세트를 효율적으로 로드하고 전처리하는 방법을 배웠습니다.
+* 최신 기능을 포함한 고수준 `Trainer` API를 사용하여 파인튜닝과 평가를 구현했습니다.
+* PyTorch를 사용하여 완전한 커스텀 훈련 루프를 처음부터 구현했습니다.
+* 🤗 Accelerate를 사용하여 훈련 코드가 다중 GPU 또는 TPU에서 원활하게 작동하도록 했습니다.
+* 혼합 정밀도 훈련과 그래디언트 누적과 같은 최신 최적화 기법을 적용했습니다.
+
+<Tip>
+
+🎉 **축하합니다!** 트랜스포머 모델 파인튜닝의 기초를 마스터했습니다. 이제 실제 ML 프로젝트에 도전할 준비가 되었습니다!
+
+📖 **계속 학습하기**: 지식을 더 깊이 쌓기 위해 다음 리소스를 탐색해보세요.
+- 특정 NLP 작업을 위한 [🤗 Transformers 작업 가이드](https://huggingface.co/docs/transformers/main/en/tasks/sequence_classification)
+- 포괄적인 노트북을 위한 [🤗 Transformers 예제](https://huggingface.co/docs/transformers/main/en/notebooks)
+
+🚀 **다음 단계** 
+- 배운 기법을 사용하여 자신만의 데이터 세트로 파인튜닝을 시도해보세요.
+- [Hugging Face Hub](https://huggingface.co/models)에서 사용 가능한 다양한 모델 아키텍처를 실험해보세요.
+- [Hugging Face 커뮤니티](https://discuss.huggingface.co/)에 참여하여 프로젝트를 공유하고 도움을 받으세요.
+
+</Tip>
+
+이것은 🤗 Transformers와의 여정의 시작일 뿐입니다. 다음 챕터에서는 모델과 토크나이저를 커뮤니티와 공유하고 계속 성장하는 사전훈련된 모델 생태계에 기여하는 방법을 탐색할 것입니다.
+
+여기서 여러분이 익힌 데이터 전처리, 훈련 구성, 평가, 최적화와 같은 기법들은 모든 기계학습 프로젝트의 기초입니다. 텍스트 분류, 개체 인식, 질의 응답 또는 어떤 NLP 작업을 하든 상관없이, 이러한 기법들이 큰 도움이 될 것입니다.
+
+<Tip>
+
+💡 **성공을 위한 전문가 팁**
+- 커스텀 훈련 루프를 구현하기 전에 항상 `Trainer` API를 사용한 강력한 기준선부터 시작하세요.
+- 더 나은 출발점을 🤗 Hub을 사용하여 위해 자신의 작업과 유사한 사전훈련된 모델을 찾으세요.
+- 적절한 평가 지표로 훈련을 모니터링하고 체크포인트 저장을 잊지 마세요.
+- 커뮤니티를 활용하세요 - 모델과 데이터 세트를 공유하여 다른 사람들을 돕고 자신의 작업에 대한 피드백을 받으세요.
+
+</Tip>
\ No newline at end of file