diff --git a/lab4/4_kohonen.ipynb b/lab4/4_kohonen.ipynb
new file mode 100644
index 0000000..1b7b331
--- /dev/null
+++ b/lab4/4_kohonen.ipynb
@@ -0,0 +1,621 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### ЛАБОРАТОРНАЯ РАБОТА №4\n",
+    "## Сеть Кохонена"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "> Цель работы: знакомство с применением многослойного персептрона для решения задач сжатия данных, прогнозирования временных рядов и распознавания образов.\n",
+    ">\n",
+    "> Задание\n",
+    "> 1. Изучить разделы справки связанные с обучением сети Кохонена. Загрузить набор данных, содержащий измерения длины и ширины чашелистика и лепестка 150 экземпляров ириса (ирисы Фишера). Создать сеть Кохонена и выполнить с помощью неё кластеризацию сортов ириса. Проанализировать полученные результаты. Выполнить визуализацию исходных данных.\n",
+    "> 2. Построить и обучить сеть Кохонена для кластеризации данных скрытого слоя автоассоциативной сети из п.1. лабораторной работы №3. Проанализировать результаты и сравнить их с результатами классификации многослойным персептроном, полученными в лабораторной работе №2.."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Импорт библиотек:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "5pnjRdYLSLXZ"
+   },
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import matplotlib.pyplot as plt\n",
+    "from IPython.display import clear_output\n",
+    "from mpl_toolkits.mplot3d import Axes3D\n",
+    "from sklearn.datasets import load_iris\n",
+    "\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Содержание:  \n",
+    "[1. Ирисы Фишера](#p_1)  \n",
+    "[2. Данные скрытого слоя](#p_2)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Ирисы Фишера<a id=\"p_1\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сеть Кохонена (или самоорганизующаяся карта) — это тип нейронных сетей без учителя (unsupervised learning), разработанный финским учёным Теуво Кохоненом. \n",
+    "\n",
+    "Основная цель таких сетей — визуализация и кластеризация многомерных данных путём их проецирования на пространство меньшей размерности (чаще всего двумерное).\n",
+    "\n",
+    "Ключевые особенности:\n",
+    " - Без учителя: не требует размеченных данных для обучения.\n",
+    " - Топологическое упорядочивание: сохраняет пространственные отношения между точками данных — близкие входные векторы активируют соседние нейроны на карте.\n",
+    " - Конкурентное обучение: в каждый момент времени «побеждает» только один нейрон (ближайший к входному вектору).\n",
+    "\n",
+    "Обучение сети Кохонена происходит итеративно, по одному примеру за раз.\n",
+    " - Шаг 1. Инициализация.  \n",
+    "Веса всех нейронов инициализируются случайными значениями (обычно из того же распределения, что и входные данные).\n",
+    " - Шаг 2. Выбор входного вектора.  \n",
+    "Из набора данных случайным образом выбирается один образец $x$ (пусть количество признаков равно $m$).\n",
+    " - Шаг 3. Определение «нейрона‑победителя».  \n",
+    "Находится нейрон, вектор весов которого наиболее близок к входному вектору. Мера близости — обычно евклидово расстояние:\n",
+    "\n",
+    "$$\n",
+    "d(x, w_i) = \\sqrt{\\sum_{j=1}^{m} (x_j - w_{ij})^2}\n",
+    "$$\n",
+    "\n",
+    " - Шаг 4. Обновление весов.  \n",
+    "Вектор весов нейрона‑победителя (и, опционально, его соседей) подтягивается ближе к входному вектору:\n",
+    "\n",
+    "$$\n",
+    "w_i(t+1) = w_i(t) + \\eta(t) \\cdot (x(t) - w_i(t))\n",
+    "$$\n",
+    "\n",
+    "где $w_i$ — вектор весов $i$-го нейрона (кластера); $\\eta(t)$ — скорость обучения (learning rate) в момент времени $t$, которая определяет, насколько сильно будут скорректированы веса; $x(t)$ — текущий входной вектор.\n",
+    "\n",
+    " - Шаг 5. Уменьшение скорости обучения.   \n",
+    "На этом этапе скорость обучения $\\eta$ постепенно уменьшается с каждой эпохой. Это необходимо для стабилизации карты в конце обучения: на ранних этапах допускаются большие корректировки весов (чтобы быстро приблизиться к оптимальной конфигурации), а на поздних — только мелкие уточнения. Обновление скорости обучения происходит по следующему правилу:\n",
+    "\n",
+    "$$\n",
+    "\\eta(t+1) = \\eta(t) \\times \\text{decay}\n",
+    "$$\n",
+    "\n",
+    "где $\\text{decay}$ — коэффициент затухания (гиперпараметр, обычно близкий к $1$, например $0{,}99$ или $0{,}95$).\n",
+    "\n",
+    " - Шаг 6. Повторение.   \n",
+    "Шаги 2–5 повторяются заданное число эпох или до сходимости (т.е. пока значения весов нейронов в карте практически не перестанут меняться от эпохи к эпохе — структура карты, таким образом, уже сформирована и отражает топологию входных данных).\n",
+    "\n",
+    "Преимущества сетей Кохонена:\n",
+    " - простота реализации и интерпретации;\n",
+    " - наглядная визуализация сложных данных;\n",
+    " - устойчивость к шуму в данных;\n",
+    " - сохранение топологических свойств исходного пространства.\n",
+    "\n",
+    "Недостатки:\n",
+    " - чувствительность к инициализации весов;\n",
+    " - необходимость ручного подбора числа кластеров;\n",
+    " - относительно медленное обучение на больших наборах данных.\n",
+    " - результат может зависеть от порядка предъявления данных (поэтому их необходимо перемешивать).\n",
+    "\n",
+    "Описанная выше сеть Кохонена реализована в классе `KohonenClustering`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "JJtHNld8SOWL"
+   },
+   "outputs": [],
+   "source": [
+    "class KohonenClustering:\n",
+    "    def __init__(self, n_clusters, lr=0.1, decay=0.99):\n",
+    "        self.n_clusters = n_clusters\n",
+    "        self.lr = lr\n",
+    "        self.decay = decay\n",
+    "        self.cluster_weights = None\n",
+    "\n",
+    "    def winner(self, x):\n",
+    "        \n",
+    "        # Вычисляем евклидово расстояние от входного вектора до каждого кластера\n",
+    "        distances = np.zeros((x.shape[0], self.n_clusters))\n",
+    "        for i, cluster_weight in enumerate(self.cluster_weights):\n",
+    "            distances[:, i] = np.sqrt(np.sum((x - cluster_weight) ** 2, axis=1))\n",
+    "        \n",
+    "        # Находим индексы нейронов с минимальным расстоянием (победителей)\n",
+    "        winner_idx = np.argmin(distances, axis=1)\n",
+    "        return winner_idx\n",
+    "\n",
+    "    def fit(self, data, epochs=100):\n",
+    "\n",
+    "        self.cluster_weights = np.random.randn(self.n_clusters, data.shape[1]).astype(np.float32)\n",
+    "        \n",
+    "        lr_history = []\n",
+    "        for epoch in range(epochs):\n",
+    "\n",
+    "            # Перемешиваем индексы данных для случайного выбора векторов\n",
+    "            indices = np.random.permutation(data.shape[0])\n",
+    "            \n",
+    "            # Проходим по всем векторам в случайном порядке\n",
+    "            for i in indices:\n",
+    "                # Извлекаем один вектор\n",
+    "                x = data[i:i+1]\n",
+    "                \n",
+    "                # Определяем нейрон‑победитель для текущего входного вектора\n",
+    "                winner_idx = self.winner(x)\n",
+    "                \n",
+    "                # Обновляем веса победившего нейрона: подтягиваем их ближе к входному вектору\n",
+    "                for i, idx in enumerate(winner_idx):\n",
+    "                    self.cluster_weights[idx] += self.lr * (x[i] - self.cluster_weights[idx])\n",
+    "\n",
+    "            lr_history.append(self.lr)\n",
+    "\n",
+    "            # Постепенно уменьшаем скорость обучения для стабилизации карты\n",
+    "            self.lr *= self.decay\n",
+    "\n",
+    "            if (epoch + 1) % 5 == 0:\n",
+    "\n",
+    "                clear_output(True)\n",
+    "                plt.plot(range(1, epoch+2), lr_history, label='Learning Rate')\n",
+    "                plt.title(f'Epoch: {epoch + 1}, Learning Rate: {lr_history[-1]:.6f}')\n",
+    "                plt.grid(True, alpha=0.3)\n",
+    "                plt.legend(loc='best')\n",
+    "                plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Загрузим данные ирисов для их анализа с помощью сети Кохонена:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "N7kdsjBEWy3P"
+   },
+   "outputs": [],
+   "source": [
+    "iris_data = load_iris()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Значения четырёх входных признаков:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "1qmf6ZAxWy8A",
+    "outputId": "b7eaeee4-39ea-4204-e6e7-f9b47a10f73f",
+    "scrolled": false
+   },
+   "outputs": [],
+   "source": [
+    "X_iris_data = iris_data['data']\n",
+    "print(X_iris_data[:5])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Названия признаков — длина и ширина чашелистика, длина и ширина лепестка:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "UDNslebrcXfK",
+    "outputId": "9ece4206-94c9-436d-c6a2-d6bbf2495fa0"
+   },
+   "outputs": [],
+   "source": [
+    "iris_data['feature_names']"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Значения выходного признака — метки классов (три сорта ирисов):"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "IF6_sIBtXjNI",
+    "outputId": "c59b99c6-3c1d-4576-d88c-6b7c870a9428"
+   },
+   "outputs": [],
+   "source": [
+    "y_iris_data = iris_data['target']\n",
+    "print(y_iris_data)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Названия сортов ирисов:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "IWZwrWKaX2R8",
+    "outputId": "59e3f58e-71a1-40e2-9410-8871c5b0b695"
+   },
+   "outputs": [],
+   "source": [
+    "iris_names = iris_data['target_names']\n",
+    "print(iris_names)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Поскольку при обучении сети Кохонена вычисляются евклидовы расстояния между входными данными и весами нейронов, входные данные рекомендуются отнормировать или отстандартизировать:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "X_means = X_iris_data.mean(axis=0)\n",
+    "X_stds = X_iris_data.std(axis=0, ddof=1)\n",
+    "\n",
+    "X_iris_data_scaled = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Обучите модель `kohonen_iris` на нормированных (или стандартизированных) данных.\n",
+    "\n",
+    "Для этого подберите количество кластеров `n_clusters`, скорость обучения `lr`, шаг снижения скорости обучения `decay`. При неоходимости измените количество эпох `epochs`."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "kohonen_iris = KohonenClustering(\n",
+    "    n_clusters= # Ваш код здесь\n",
+    "    lr= # Ваш код здесь\n",
+    "    decay= # Ваш код здесь\n",
+    ")\n",
+    "\n",
+    "kohonen_iris.fit(X_iris_data_scaled, epochs=100)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Получим метки кластеров — сопоставьте их с исходными метками классов:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "4gVxatZFYVCm",
+    "outputId": "bfa24efd-eb30-4036-c01d-5e09aa8b931e"
+   },
+   "outputs": [],
+   "source": [
+    "clusters_iris = kohonen_iris.winner(X_iris_data_scaled)\n",
+    "print(clusters_iris)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим диаграмму рассеяния, например, для пары признаков — длины и ширины лепестка. Точки разметим по трём сортам ирисов:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 450
+    },
+    "id": "B8vgAwpQd4Zh",
+    "outputId": "ebf196cd-ea4e-4367-a88b-cbc22bb9a7c5"
+   },
+   "outputs": [],
+   "source": [
+    "scatter = plt.scatter(X_iris_data[:, 2], X_iris_data[:, 3], c=y_iris_data)\n",
+    "plt.xlabel('petal length (cm)')\n",
+    "plt.ylabel('petal width (cm)')\n",
+    "plt.grid(True, alpha=0.3)\n",
+    "\n",
+    "# Код для легенды\n",
+    "handles, _ = scatter.legend_elements(prop='colors')\n",
+    "plt.legend(handles, iris_names, loc='best', title='Classes')\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим такую же диаграмму, олнако точки в ней будут размечены по меткам кластеров: "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 450
+    },
+    "id": "hWedmXtmeKXH",
+    "outputId": "0c8b239e-b140-4cdc-d80f-238bc3038304"
+   },
+   "outputs": [],
+   "source": [
+    "scatter = plt.scatter(X_iris_data[:, 2], X_iris_data[:, 3], c=clusters_iris)\n",
+    "plt.xlabel('petal length (cm)')\n",
+    "plt.ylabel('petal width (cm)')\n",
+    "plt.grid(True, alpha=0.3)\n",
+    "\n",
+    "# Код для легенды\n",
+    "handles, labels = scatter.legend_elements(prop='colors')\n",
+    "plt.legend(handles, labels, loc='best', title='Clusters')\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "6Wlm1xrBYzuf"
+   },
+   "source": [
+    "Поэкспериментируйте с количеством кластеров `n_clusters`. Проанализируйте варианты, когда:\n",
+    " - количество кластеров совпадает с количеством сортов ирисов;\n",
+    " - кластеров меньше сортов ирисов;\n",
+    " - кластеров больше сортов ирисов."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 2. Данные скрытого слоя<a id=\"p_2\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Загрузим из файла `encoded_2d.npy` двумерные данные с выхода энкодера автоассоциативной сети из третьей лабораторной работы:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "B0OS99x8Dz9v",
+    "outputId": "9b21ab60-5422-421f-e83b-64e378763bd7"
+   },
+   "outputs": [],
+   "source": [
+    "encoded_2d = np.load('encoded_2d.npy')\n",
+    "print(encoded_2d[:5])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Обучите модель `kohonen_2d` на этих данных. Количество кластеров пусть совпадает с количеством сортов минеральной воды (т.е. 5)."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "3TXtr9d6SZ9a"
+   },
+   "outputs": [],
+   "source": [
+    "kohonen_2d = KohonenClustering(\n",
+    "    # Ваш код здесь\n",
+    ")\n",
+    "\n",
+    "kohonen_2d.fit(encoded_2d, epochs=100)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "LOv1vQ1kWKKf"
+   },
+   "source": [
+    "Получим метки кластеров:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "zm3DoRAEStuR"
+   },
+   "outputs": [],
+   "source": [
+    "clusters_2d = kohonen_2d.winner(encoded_2d)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "arnxu4zcSzyk"
+   },
+   "source": [
+    "Построим двухмерную диаграмму рассеяния:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 430
+    },
+    "id": "KkToPCInQQ1J",
+    "outputId": "418558e8-8c2a-4521-9ef1-6b25b971cff0"
+   },
+   "outputs": [],
+   "source": [
+    "scatter = plt.scatter(x=encoded_2d[:, 0], y=encoded_2d[:, 1], c=clusters_2d, cmap='viridis')\n",
+    "plt.grid(True, alpha=0.3)\n",
+    "\n",
+    "# Код для легенды\n",
+    "handles, labels = scatter.legend_elements(prop='colors')\n",
+    "plt.legend(handles, labels, loc='best', title='Clusters')\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сравните диаграмму с соответствующим результатом из третьей лабораторной работы. "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Загрузите данные из остальных файлов (`encoded_3d.npy`, `encoded_2d_include.npy`, `encoded_3d_include.npy`) и также обучите на них по отдельному экземпляру сети Кохонена. Получите метки кластеров и постройте для каждого набора диаграммы рассеяния. Сравните их с соответствующими диаграммами из третьей лабораторной работы."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "QwJagpWTWMIb"
+   },
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Литература:\n",
+    "1. Бородкин А.А., Елисеев В.Л. Основы и применение искусственных нейронных сетей. Сборник лабораторных работ: методическое пособие. – М.: Издательский дом МЭИ, 2017.\n",
+    "2. MachineLearning.ru  —  профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru\n",
+    "3. Modern State of Artificial Intelligence  —  Online Masters program at MIPT: https://girafe.ai/"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "w2UD2JKOWyrb"
+   },
+   "source": [
+    " "
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.3"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 1
+}