diff --git a/labs/OATD_LR2.md b/labs/OATD_LR2.md
index f5d8c99..0f3f459 100644
--- a/labs/OATD_LR2.md
+++ b/labs/OATD_LR2.md
@@ -14,12 +14,17 @@
 5.	Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные
 6.	Провести векторизацию выборки:
 
-    1.	Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
-    1.	Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
-	1.  Рассчитать сходство по коэффициенту Жаккара между тремя классами
-    1.	Применить процедуру отсечения стоп-слов и повторить пункты b-c.
-    1.	Провести пункты a – c для обучающей и тестовой выборки, для которой проведена процедура стемминга.
-    1.	Векторизовать выборки с помощью TfidfTransformer (с использованием TF и TF-IDF взвешиваний).
+    A.	Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
+
+    B.	Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
+
+	C.  Рассчитать сходство по коэффициенту Жаккара между тремя классами
+
+    D.	Применить процедуру отсечения стоп-слов и повторить пункты B - C.
+    
+	E.	Провести пункты A – D для обучающей и тестовой выборки, для которой проведена процедура стемминга.
+    
+	F.	Векторизовать выборки с помощью TfidfTransformer (с использованием TF и TF-IDF взвешиваний).
 	
 7. Используя конвейер (Pipeline) реализовать модель Наивного Байесовского классификатора и выявить на основе показателей качества 
 (значения полноты, точности, f1-меры и аккуратности), какая предварительная обработка данных обеспечит наилучшие результаты классификации.