diff --git a/lab3/3.1_autoencoder.ipynb b/lab3/3.1_autoencoder.ipynb
new file mode 100644
index 0000000..5be0162
--- /dev/null
+++ b/lab3/3.1_autoencoder.ipynb
@@ -0,0 +1,722 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "VhB5tU1IGSIh"
+   },
+   "source": [
+    "### ЛАБОРАТОРНАЯ РАБОТА №3\n",
+    "## Применение многослойного персептрона. Автоассоциативная ИНС"
+   ]
+  },
+  {
+   "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. Открыть файл с данными по минеральной воде, который использовался при решении задач классификации в предыдущей лабораторной работе. Построить и обучить автоассоциативные нейронные сети с 2-мя и 3-мя нейронами в скрытом слое:  \n",
+    "> а) для исходных данных из 5-ти классов;  \n",
+    "> б) для исходных данных из 4-х классов.  \n",
+    "> Провести визуализацию данных в скрытом слое каждой сети на плоскость и в 3-х мерное пространство.  Проанализировать полученные результаты. Выбрать и сохранить автоассоциативные ИНС, обеспечивающие наилучшее сжатие исходных данных.  \n",
+    "> 2. …  \n",
+    "> 3. Решить задачу распознавания 9-ти изображений самолетов. Исходные данные (файлы avia1.bmp, …, avia9.bmp) необходимо предварительно преобразовать в набор векторов со значениями признаков 0 или 1. Обученная нейронная сеть должна правильно определять модель самолета и его класс (истребитель/бомбардировщик). Принадлежность модели к определенному классу выбирается студентом самостоятельно."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Импорт библиотек:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "FwCw1KfEpbsm"
+   },
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import seaborn as sns\n",
+    "import torch\n",
+    "import matplotlib.pyplot as plt\n",
+    "from IPython.display import clear_output\n",
+    "from mpl_toolkits.mplot3d import Axes3D\n",
+    "\n",
+    "from torch import nn\n",
+    "\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Содержание:  \n",
+    "[1. Подготовка данных](#p_1)  \n",
+    "[2. Автоассоциативная нейронная сеть на полных данных](#p_2)  \n",
+    "[3. Автоассоциативная нейронная сеть на неполных данных](#p_3)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Подготовка данных<a id=\"p_1\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Загрузим в датафрейм `data` данные о сорока образцах минеральной воды, хранящиеся в файле `min_water.txt`."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 256
+    },
+    "id": "PkNWYbQCpsl_",
+    "outputId": "ee2dd8c3-2d7d-4962-bc40-a5cc2dded5db"
+   },
+   "outputs": [],
+   "source": [
+    "data = pd.read_csv('min_water.csv')\n",
+    "data.head(n=5)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Вынесем в отдельные переменные:\n",
+    " - `y_binary` — выходной признак для задачи бинарной классификации (первый столбец датафрейма);\n",
+    " - `y_multiclass` — выходной признак для задачи многоклассовой классификации (второй столбец датафрейма);\n",
+    " - `X_data` — входные признаки (оставшиеся столбцы)."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "D_QiYrPkpsu0"
+   },
+   "outputs": [],
+   "source": [
+    "y_binary = data.iloc[:, 0]\n",
+    "y_multiclass = data.iloc[:, 1]\n",
+    "\n",
+    "X_data = data.iloc[:, 2:]"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выпишите в список `features` отобранные в прошлой лабораторной работе признаки (формат: `features = ['VAR1', 'VAR2']`):"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "features = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Датафрейм с отобранными входными признаками `X_data_filtered`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 206
+    },
+    "id": "d6eTUCk2Cjdc",
+    "outputId": "d89643dd-a410-42b2-9b91-c4534966fd1d"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_filtered = X_data.loc[:, features]\n",
+    "X_data_filtered.head(n=5)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Произведите нормализацию или стандартизацию (на выбор) отобранных входных данных `X_data_filtered`. Результат сохраните в переменную `X_data_preprocessed`, которую затем представьте в виде тензора `X_data_tensor`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "HclxngwAGue-"
+   },
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь\n",
+    "\n",
+    "X_data_preprocessed = # Ваш код здесь\n",
+    "\n",
+    "X_data_tensor = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "AtGktiZmJiUV",
+    "outputId": "f9edb4f0-c5ab-4a62-af28-6552c981512f"
+   },
+   "source": [
+    "## 2. Автоассоциативная нейронная сеть на полных данных<a id=\"p_2\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "jsWiE7Ke1p9S"
+   },
+   "source": [
+    "Автоассоциативная сеть (или автоассоциативная память) — тип нейронной сети, способный восстанавливать полный шаблон данных по его частичному или зашумлённому представлению.\n",
+    "\n",
+    "Типичная автоассоциативная сеть содержит как минимум три скрытых слоя:\n",
+    " - первый скрытый слой выполняет нелинейное кодирование входных данных (энкодер);\n",
+    " - средний слой («узкое горло» или «бутылочное горло») формирует сжатое представление данных — в результате обучения выдаёт компактное кодирование;\n",
+    " - последний скрытый слой служит декодером: восстанавливает исходные данные из сжатого представления.\n",
+    "\n",
+    "Цель обучения: в процессе минимизации ошибки воспроизведения сеть стремится сделать выходной сигнал максимально близким к входному. Это эквивалентно оптимальному кодированию в «узком горле» сети."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Допишите класс `Autoencoder` структурами энкодера и декодера на основе полносвязных слоёв `nn.Linear`. В качестве функций активации используйте `nn.ReLU()`. При этом на выходе энкодера функцию активации можно не применять — это позволит сохранить отрицательные значения в кодированном представлении."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class Autoencoder(nn.Module):\n",
+    "    def __init__(self, n_inputs, n_hiddens, bottleneck_size):\n",
+    "        super().__init__()\n",
+    "        self.encoder = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "        self.decoder = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        encoded = self.encoder(x)\n",
+    "        decoded = self.decoder(encoded)\n",
+    "        return decoded"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создайте экземпляр модели с двумя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "model_2 = Autoencoder(# Ващ код здесь\n",
+    "print(model_2)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "tGS2_TqjK_SI",
+    "outputId": "a1a63c33-5dd5-461e-8d20-97fc34455f21"
+   },
+   "source": [
+    "Пропустим данные через эту модель для её проверки:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "Y3GS-3AaKYt7",
+    "outputId": "981a4cd8-3b19-4bf6-ac07-ddd13e3df131"
+   },
+   "outputs": [],
+   "source": [
+    "model_2(X_data_tensor[:3])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Удостоверимся, что размерность её выхода совпадает с размерностью её входа:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "assert X_data_tensor[:3].shape == model_2(X_data_tensor[:3]).shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим, как модель обучается. Зададим оптимизатор и среднеквадратическую функцию потерь:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "VGWgT-_UKY5S"
+   },
+   "outputs": [],
+   "source": [
+    "optimizer = torch.optim.SGD(model_2.parameters(), lr=1.5)\n",
+    "criterion = nn.MSELoss()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Рассчитаем значение функции потерь:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "5kKYW89_KY8j",
+    "outputId": "94e90485-ca86-4204-e61d-75d247a87fc4"
+   },
+   "outputs": [],
+   "source": [
+    "decoded = model_2(X_data_tensor)\n",
+    "\n",
+    "loss = criterion(decoded, X_data_tensor)\n",
+    "loss"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выполните несколько раз эту и предыдущую ячейку, чтобы убедиться в уменьшении ошибки:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "G_JCVLCkKZCa"
+   },
+   "outputs": [],
+   "source": [
+    "loss.backward()\n",
+    "optimizer.step()\n",
+    "optimizer.zero_grad()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Задайте параметры для обучения автоассоциативной сети с двумя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model_2 = # Ваш код здесь\n",
+    "\n",
+    "epochs = # Ваш код здесь\n",
+    "\n",
+    "learning_rate = # Ваш код здесь\n",
+    "momentum = # Ваш код здесь\n",
+    "\n",
+    "optimizer = # Ваш код здесь\n",
+    "criterion = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Обучение нейронной сети:**"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "loss_history = []\n",
+    "\n",
+    "for epoch in range(epochs):\n",
+    "    # Ваш код здесь\n",
+    "\n",
+    "    if (epoch + 1) % 5 == 0:\n",
+    "\n",
+    "        clear_output(True)\n",
+    "        plt.plot(range(1, epoch+2), loss_history, label='Loss')\n",
+    "        plt.title(f'Epoch: {epoch + 1}, Loss: {loss_history[-1]:.6f}')\n",
+    "        plt.grid(True, alpha=0.3)\n",
+    "        plt.legend(loc='best')\n",
+    "        plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "После обучения сети получим двумерные данные с выхода энкодера:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "HFcSAdGoOaog",
+    "outputId": "36330737-7606-4a6a-e532-6bf372deb34d"
+   },
+   "outputs": [],
+   "source": [
+    "encoded_2d = model_2.encoder(X_data_tensor).detach().numpy()\n",
+    "print(encoded_2d[:3])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим двумерную диаграмму рассеяния и отметим классы с помощью `y_multiclass`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 430
+    },
+    "id": "KkToPCInQQ1J",
+    "outputId": "244bae8a-94a9-4817-a564-69c630efea98"
+   },
+   "outputs": [],
+   "source": [
+    "scatter = plt.scatter(x=encoded_2d[:, 0], y=encoded_2d[:, 1], c=y_multiclass, 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='Classes')\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "По аналогии обучите автоассоциативную сеть с тремя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model_3 = # Ваш код здесь\n",
+    "\n",
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "После обучения сети получите трёхмерные данные с выхода энкодера:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "encoded_3d = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим трёхмерную диаграмму рассеяния:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 653
+    },
+    "id": "RpqVg5EeT72I",
+    "outputId": "2f5e070d-aa49-4eab-cd8e-277bd3a2c4b5"
+   },
+   "outputs": [],
+   "source": [
+    "fig = plt.figure(figsize=(10, 8))\n",
+    "ax = fig.add_subplot(111, projection='3d')\n",
+    "\n",
+    "scatter = ax.scatter(\n",
+    "    xs=encoded_3d[:, 0],\n",
+    "    ys=encoded_3d[:, 1],\n",
+    "    zs=encoded_3d[:, 2],\n",
+    "    c=y_multiclass,\n",
+    "    cmap='viridis',\n",
+    "    s=50\n",
+    ")\n",
+    "\n",
+    "ax.grid(True, alpha=0.3)\n",
+    "\n",
+    "handles, labels = scatter.legend_elements(prop='colors', alpha=0.8)\n",
+    "ax.legend(handles, labels, loc='best', title='Classes')\n",
+    "\n",
+    "# Настраиваем угол обзора:\n",
+    "# elev — высота, azim — азимут\n",
+    "ax.view_init(elev=20, azim=45)\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сохраним в бинарные файлы `.npy` выходы энкодеров обеих моделей — для следующей лабораторной работы:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "np.save('encoded_2d.npy', encoded_2d)\n",
+    "np.save('encoded_3d.npy', encoded_3d)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 3. Автоассоциативная нейронная сеть на неполных данных<a id=\"p_3\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выберите класс, который нужно исключить:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "label_to_exclude = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создадим маску для исключения данных этого класса:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "WwlU6wRqXy3H"
+   },
+   "outputs": [],
+   "source": [
+    "mask_to_exclude = y_multiclass != label_to_exclude"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Данные исключены:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "I7sTKdWgQRWQ",
+    "outputId": "95d2a292-7e2f-401e-e473-7d5f09b0d7fb"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor[mask_to_exclude].shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "По аналогии с предыдущим пунктом реализуйте обучение автоассоциативных сетей с двумя и тремя нейронами в «узком горле» на неполных данных (т.е. на каждой эпохе вместо полных данных `X_data_tensor` на модель нужно подавать неполные данные `X_data_tensor[mask_to_exclude]`).\n",
+    "\n",
+    "Результаты выходов энкодеров в обоих случаях также сохраните в отдельные бинарные файлы."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "w3kJHSW3azk0"
+   },
+   "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": {},
+   "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
+}
diff --git a/lab3/3.3_image.ipynb b/lab3/3.3_image.ipynb
new file mode 100644
index 0000000..3692cdc
--- /dev/null
+++ b/lab3/3.3_image.ipynb
@@ -0,0 +1,425 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### ЛАБОРАТОРНАЯ РАБОТА №3\n",
+    "## Применение многослойного персептрона. Автоассоциативная ИНС"
+   ]
+  },
+  {
+   "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. Открыть файл с данными по минеральной воде, который использовался при решении задач классификации в предыдущей лабораторной работе. Построить и обучить автоассоциативные нейронные сети с 2-мя и 3-мя нейронами в скрытом слое:  \n",
+    "> а) для исходных данных из 5-ти классов;  \n",
+    "> б) для исходных данных из 4-х классов.  \n",
+    "> Провести визуализацию данных в скрытом слое каждой сети на плоскость и в 3-х мерное пространство.  Проанализировать полученные результаты. Выбрать и сохранить автоассоциативные ИНС, обеспечивающие наилучшее сжатие исходных данных.  \n",
+    "> 2. …  \n",
+    "> 3. Решить задачу распознавания 9-ти изображений самолетов. Исходные данные (файлы avia1.bmp, …, avia9.bmp) необходимо предварительно преобразовать в набор векторов со значениями признаков 0 или 1. Обученная нейронная сеть должна правильно определять модель самолета и его класс (истребитель/бомбардировщик). Принадлежность модели к определенному классу выбирается студентом самостоятельно."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Импорт библиотек:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "-jndqXPxywKw"
+   },
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import matplotlib.pyplot as plt\n",
+    "import torch\n",
+    "import imageio\n",
+    "import warnings\n",
+    "\n",
+    "from torch import nn\n",
+    "from IPython.display import clear_output\n",
+    "\n",
+    "warnings.filterwarnings('ignore')\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Содержание:  \n",
+    "[1. Подготовка данных](#p_1)  \n",
+    "[2. Классификация изображений](#p_2)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Подготовка данных<a id=\"p_1\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сохраним в список `X_data` все девять изображений. Каждое из них загрузим в виде NumPy-массива, затем преобразуем данный массив в `float32` и делением на 255 перемасштабируем в его диапазон `[0.0, 1.0]` (было `[0, 255]`). Само исходное изображение (по умолчанию цветное) преобразуем изображение в чёрно‑белое — для чего возьмём среднее по каналам R, G, B для каждого пикселя."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "Y03Y-xWo9Br1"
+   },
+   "outputs": [],
+   "source": [
+    "X_data = []\n",
+    "\n",
+    "for i in range(1, 10):\n",
+    "    filename = f'avia{i}.bmp'\n",
+    "    img = imageio.imread(filename)\n",
+    "    img = img.astype('float32') / 255.\n",
+    "    img = np.mean(img, axis=2)\n",
+    "    X_data.append(img)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Список `y_data` содержит в себе ответ — принадлежит ли силуэт на каждом из девяти изображений бомбардировщику (`1` если принадлежит, `0` если не принадлежит):"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "HVW-f4IZ6Nvi"
+   },
+   "outputs": [],
+   "source": [
+    "y_data = [0, 1, 0, 0, 1, 0, 0, 0, 1]"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выведем все девять изображений и подпишем каждое из них:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 865
+    },
+    "id": "luwhswXP6NzI",
+    "outputId": "f6262617-d188-40f7-b38f-37deed860ab9"
+   },
+   "outputs": [],
+   "source": [
+    "fig, axes = plt.subplots(3, 3, figsize=(9, 9))\n",
+    "axes = axes.ravel()\n",
+    "\n",
+    "for i in range(9):\n",
+    "    axes[i].imshow(X_data[i], cmap='gray')\n",
+    "    aircraft_type = '\\nБомбардировщик' if y_data[i] == 1 else '\\nИстребитель'\n",
+    "    axes[i].set_title(aircraft_type)\n",
+    "    axes[i].axis('off')\n",
+    "\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Представим данные в виде тензоров `X_data_tensor` и `y_data_tensor`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "zyU44xbVJ9EE"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor = torch.tensor(X_data).float()\n",
+    "y_data_tensor = torch.tensor(y_data).reshape(-1, 1).float()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим размерность `X_data_tensor` — она показывает, что в тензоре лежат девять изображений размером 352 на 346:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "6uROCg66M2Ij",
+    "outputId": "eeb259ba-c3b2-4df2-b0b8-c5c38c33c416"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor.shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Многослойный персептрон всегда принимает на вход одномерные векторы. Однако в нашей задаче классификации силуэтов саолётов исходные изображения — как видно из размерности, двуомерные тензоры. И чтобы подать их на вход сети, их необходимо «развернуть» в одномерные векторы, сохранив количество объектов (пикселей) неизменным.\n",
+    "\n",
+    "Такое преобразование позволяет использовать пространственную информацию пикселей как набор признаков для полносвязных слоёв персептрона.\n",
+    "\n",
+    "В PyTorch это можно сделать с помощью метода `.view()` следующим образом:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "Q9BNBxAmKK1Z",
+    "outputId": "42786382-bf08-4f7f-ffc6-8370db68f156"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor.view(X_data_tensor.size(0), -1).shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Для проверки перемножим длину и щирину одного из изображений:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "jOLmEcvSPeEH",
+    "outputId": "f924e2ab-338f-4359-cb8a-93a3318ff675"
+   },
+   "outputs": [],
+   "source": [
+    "np.prod(X_data[0].shape)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 2. Классификация изображений<a id=\"p_2\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Реализуйте в классе `ImageClassifier` с помощью полносвязных слоёв `nn.Linear` многослойный персептрон. В качестве промежуточных функций активации используйте `nn.ReLU()`, а в качестве финальной — сигмоиду, поскольку решается задача бинарной классификации."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class ImageClassifier(nn.Module):\n",
+    "    def __init__(self, input_size):\n",
+    "        super().__init__()\n",
+    "        self.seq = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        x = x.view(x.size(0), -1)\n",
+    "        return self.seq(x)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создайте экземпляр модели:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "model = ImageClassifier(input_size=# Ваш код здесь\n",
+    "\n",
+    "model"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим, что модель при приходе данных возвращает вероятности:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "x3QUCgUnOy_Z",
+    "outputId": "be3f4404-b3d5-4bf3-b510-8d7b903e5fc8"
+   },
+   "outputs": [],
+   "source": [
+    "model(X_data_tensor)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Метрика accuracy:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "WMSGULyhQVNA"
+   },
+   "outputs": [],
+   "source": [
+    "def accuracy(y_pred, y_true):\n",
+    "    return torch.sum(y_pred == y_true) / len(y_true)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Задайте параметры для обучения нейронной сети:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model = # Ваш код здесь\n",
+    "\n",
+    "epochs = # Ваш код здесь\n",
+    "\n",
+    "learning_rate = # Ваш код здесь\n",
+    "momentum = # Ваш код здесь\n",
+    "\n",
+    "optimizer = # Ваш код здесь\n",
+    "criterion = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Обучение нейронной сети:**"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "loss_history = []\n",
+    "\n",
+    "for epoch in range(epochs):\n",
+    "    # Ваш код здесь\n",
+    "\n",
+    "    if (epoch + 1) % 5 == 0:\n",
+    "\n",
+    "        clear_output(True)\n",
+    "        plt.plot(range(1, epoch+2), loss_history, label='Loss')\n",
+    "        plt.title(f'Epoch: {epoch + 1}, Loss: {loss_history[-1]:.6f}')\n",
+    "        plt.grid(True, alpha=0.3)\n",
+    "        plt.legend(loc='best')\n",
+    "        plt.show()\n",
+    "\n",
+    "        print(f'Accuracy: {accuracy((y_prob > 0.5).float(), y_data_tensor).item():.3f}')"
+   ]
+  },
+  {
+   "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": {},
+   "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
+}
diff --git a/lab3/avia1.bmp b/lab3/avia1.bmp
new file mode 100644
index 0000000..c69e422
Binary files /dev/null and b/lab3/avia1.bmp differ
diff --git a/lab3/avia2.bmp b/lab3/avia2.bmp
new file mode 100644
index 0000000..a3650b6
Binary files /dev/null and b/lab3/avia2.bmp differ
diff --git a/lab3/avia3.bmp b/lab3/avia3.bmp
new file mode 100644
index 0000000..5f43a88
Binary files /dev/null and b/lab3/avia3.bmp differ