diff --git a/labs/OATD_LR3.md b/labs/OATD_LR3.md
index 35e99d7..90697bb 100644
--- a/labs/OATD_LR3.md
+++ b/labs/OATD_LR3.md
@@ -9,11 +9,11 @@
 
 1. Загрузить выборки по варианту из лабораторной работы №2. Стемминг проводить не нужно.
 2. Используя GridSearchCV произвести предварительную обработку данных и настройку методов классификации в соответствие с заданием, 
-вывести оптимальные значения параметров и качество классификации модели (взвешенная f1-мера) с данными параметрами. 
+вывести оптимальные значения параметров и качество классификации модели (взвешенная f1-мера) с данными параметрами. Область поиска параметров прдеварительно обработки выбрать с учетом результатов ЛР2.
 3. Перевести выборку к векторному представлению word embedding согласно варианту.
-4. Провести обучение и настройку тех же алгоритмов классификации и с теми же параметрами, что и в п.2, но на векторизованной выборке
+4. Провести обучение и настройку тех же алгоритмов классификации и с теми же параметрами, что и в п.2, но на выборке, представленной с помощью word embedding
 5. По каждому пункту работы занести в отчет программный код и результат вывода.
-6. Оформить сравнительную таблицу с результатами классификации различными методами с разными настройками. 
+6. Оформить сравнительную таблицу с результатами классификации различными методами с разными настройками. Объяснить результаты и подумать, как их можно улучшить.
 Сделать выводы о наиболее подходящем методе классификации ваших данных с указанием параметров метода и описанием предварительной обработки данных.
 
 
diff --git a/lections/notebooks/lec5_text2vec_classifier.ipynb b/lections/notebooks/lec5_text2vec_classifier.ipynb
index 4658805..024d322 100644
--- a/lections/notebooks/lec5_text2vec_classifier.ipynb
+++ b/lections/notebooks/lec5_text2vec_classifier.ipynb
@@ -410,7 +410,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 10,
+   "execution_count": null,
    "id": "0d6af65a",
    "metadata": {},
    "outputs": [
@@ -534,6 +534,7 @@
     }
    ],
    "source": [
+    "# Пусть выборка состоит из двух документов: \n",
     "text_data = ['Hello world I love python', 'This is a great computer game! 00 000 zyxel']\n",
     "# Векторизуем с помощью обученного CountVectorizer\n",
     "X = vectorizer.transform(text_data)\n",
@@ -792,7 +793,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 15,
+   "execution_count": null,
    "id": "1bdb459e",
    "metadata": {},
    "outputs": [
@@ -1172,7 +1173,7 @@
     }
    ],
    "source": [
-    "train_data_glove = text2vec(twenty_train['data']);\n",
+    "train_data_glove = text2vec(twenty_train['data'])\n",
     "train_data_glove"
    ]
   },
@@ -1212,12 +1213,12 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 19,
+   "execution_count": null,
    "id": "e459faaf",
    "metadata": {},
    "outputs": [],
    "source": [
-    "test_data_glove = text2vec(twenty_test['data']);"
+    "test_data_glove = text2vec(twenty_test['data'])"
    ]
   },
   {