diff --git a/labs/lab2.md b/labs/lab2.md
index fe7f115..a034c68 100644
--- a/labs/lab2.md
+++ b/labs/lab2.md
@@ -26,8 +26,8 @@
 -----
 10. С использованием библиотеки `sklearn` создать дополнительные признаки, обучить модель, залогировать ее.
 11. (*) Сгенерировать новые признаки с использованием библиотект `autofeat`, обучить модель, залогировать ее.
-12. С использованием библиотеки `mlxtend`  отобрать N наиболее важных признаков. N выбирается с учетом количества признаков на предыдущем шаге, ориентировочный диапазон - от 20% до 70%. Обучить модель, залогировать ее. 
-13. (*) Повторите предыдущий пункт с помощью `sklearn`, проанализируйте, схожие ли признаки выбраны другим алгоритмом?
+12. С использованием библиотеки `mlxtend` отобрать N наиболее важных признаков. N выбирается с учетом количества признаков на предыдущем шаге, ориентировочный диапазон - от 20% до 70%. Обучить модель, залогировать ее. 
+13. (*) Повторите предыдущий пункт, изменив направление отбора признаков и\или с помощью подхода `RFE`. Проанализируйте, схожие ли признаки выбраны другим алгоритмом?
 14. С помощью `optuna` настроить оптимальные параметры для модели, показывающей лучший результат. Обучить модель, залогировать ее, зарегистрировать очередную версию.
 15. (*) Обучить модель с помощью алгоритма [CatBoost](https://catboost.ai/) с выбранным вами набором признаков, залогировать ее, зарегистрировать очередную версию. Не забудьте воспользоваться оберткой (flavour) catboost.
 -----
@@ -200,7 +200,7 @@ mlflow.sklearn.log_model(...)
 
 
 ### 13 (*)
-Повторите предыдущий пункт с `SequentialFeatureSelector` последовательно удаляя признаки (`forward=False`). И\или  с помощью `RFE` из `sklearn`.
+Повторите предыдущий пункт с `SequentialFeatureSelector` последовательно удаляя признаки (`forward=False`), и\или  с помощью `RFE` из `sklearn`.
 
 Проанализируйте, схожие ли признаки выбраны другим алгоритмом?
 
@@ -208,12 +208,12 @@ mlflow.sklearn.log_model(...)
 
 
 ### 14
-Используйте модель, которая показала лучший результат.
+ИДалее используем модель, которая показала лучший результат.
 
 У `Random Forest` будем настраивать параметры:
-* количество деревьев от 1 до 20
-* глубина дерева от 1 до 10
-* max_features в интевале от 0.1 до 1 
+* количество деревьев 
+* глубина дерева 
+* max_features в интервале от 0.1 до 1.0 
 
 Проведите не менее 10 trails по подбору опитмальных гиперпараметров. Настраивать качество будем по метрике `mae` для регрессии и `f1` для классификации. Обратите внимание и явно укажите в коде на то, что нужно делать с метрикой - максимизировать или минимизировать.
 
@@ -223,7 +223,7 @@ mlflow.sklearn.log_model(...)
 
 ### 15 (*) 
 Обучить модель с помощью алгоритма [CatBoost](https://catboost.ai/) с выбранным вами набором признаков. Пункт аналогичен предыдущему.
-Залогируйте модель. Не забудьте воспользоваться оберткой (flavour) catboost.
+Залогируйте модель. Не забудьте воспользоваться оберткой (flavour) `catboost`.
 
 Зарегистрируйте данную модель как третью версию. Можно через интерфейс, можно с использованием API.
 
@@ -239,7 +239,7 @@ mlflow.sklearn.log_model(...)
 * файл `requirements.txt`
 * список используемых столбцов
 
-В реестре моделей установить ей тэг `Production`
+Зарегистрируйте эту версию в реестре моделей и установите ей тэг `Production`
 
 ### 17
 Сохранить в папке `research` и закоммитить два скриншота из интерфейса mlflow:
@@ -258,7 +258,7 @@ mlflow.sklearn.log_model(...)
 
 В `.gitignore` добавить в исключения папку с артефактами mlflow, и базу `mlruns.db`.
 
-> Убедитесь, что скрипт по запуску **должен быть обязательно закоммичен!** 
+> Убедитесь, что скрипт по запуску mlflow **должен быть обязательно закоммичен!** 
 
 
 ### 19
@@ -272,7 +272,7 @@ mlflow.sklearn.log_model(...)
 
 1. Для чего нужен этап feature extraction?
 1. Для чего нужен этап feature selection?
-1. Для чего используется фреймворл mlfow?
+1. Для чего используется фреймворк mlflow?
 1. Что такое "гиперпараметры модели" для чего и как их настраивать?
 1. Как выглядит пайплайн работы модели, какие шаги в нем могут быть?