diff --git a/ilbekov_dmitriy_lab_1/README.md b/ilbekov_dmitriy_lab_1/README.md
new file mode 100644
index 0000000..67e09ba
--- /dev/null
+++ b/ilbekov_dmitriy_lab_1/README.md
@@ -0,0 +1,35 @@
+# Лабораторная работа 1
+### Вариант 10
+
+### Данные: 
+- make_moons (noise=0.3, random_state=rs)
+### Модели:
+- Линейную регрессию
+- Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01)
+- Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01)
+### Запуск
+- Запустить файл lab1.py
+
+### Технологии
+- Язык - 'Python'
+- Библиотеки sklearn, matplotlib, numpy
+
+### Что делает
+Программа генерирует набор данных с помощью make_moons(), после чего строит графики для моделей, указанных в задании варианта и выводит в консоль качество данных моделей
+
+### Пример работы
+Вывод в консоль:
+
+Точность: 
+
+LinearRegression: 0.1997177824893414
+
+Multi Layer Perceptron 10 нейронов: 0.45
+
+Multi Layer Perceptron 100 нейронов: 0.8
+
+Лучший результат показала модель Multi Layer Perceptron на 100 нейронах
+
+Ниже представлены графики, выводимые программой
+
+![Graphics](graphics.png)
\ No newline at end of file
diff --git a/ilbekov_dmitriy_lab_1/console.jpg b/ilbekov_dmitriy_lab_1/console.jpg
new file mode 100644
index 0000000..4a7dc27
Binary files /dev/null and b/ilbekov_dmitriy_lab_1/console.jpg differ
diff --git a/ilbekov_dmitriy_lab_1/graphics.png b/ilbekov_dmitriy_lab_1/graphics.png
new file mode 100644
index 0000000..0fa362c
Binary files /dev/null and b/ilbekov_dmitriy_lab_1/graphics.png differ
diff --git a/ilbekov_dmitriy_lab_1/lab1.py b/ilbekov_dmitriy_lab_1/lab1.py
new file mode 100644
index 0000000..c643d42
--- /dev/null
+++ b/ilbekov_dmitriy_lab_1/lab1.py
@@ -0,0 +1,103 @@
+import numpy as np
+from sklearn import metrics
+from sklearn.datasets import make_moons
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+from sklearn.neural_network import MLPClassifier
+from sklearn.metrics import accuracy_score
+from matplotlib import pyplot as plt
+
+#Задание случайного состояния
+rs = 35
+# Генерации синтетического набора данных в форме двух полумесяцев
+# noise - уровень шума данных
+# random_state устанавливается в rs для воспроизводимости данных
+X, y = make_moons(noise=0.3, random_state=rs)
+
+# test_size какой процент данных пойдет в тестирование
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
+
+# Подготовка для визуализации
+x_minimal, x_maximum = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
+y_minimal, y_maximum = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
+xx, yy = np.meshgrid(np.arange(x_minimal, x_maximum, 0.02), np.arange(y_minimal, y_maximum, 0.02))
+
+
+# ЛИНЕЙНАЯ РЕГРЕССИЯ
+
+# Инициализация модели
+linear_regression = LinearRegression()
+# Обучение
+linear_regression.fit(X_train, y_train)
+# Предсказание
+y_pred_linear_regression = linear_regression.predict(X_test)
+# Оценка точности (MSE)
+accuracy_linear_regression = metrics.mean_squared_error(y_test, y_pred_linear_regression)
+# Предсказание класса для каждой точки в сетке графика и изменение формы результата
+Z_linear_regression = linear_regression.predict(np.c_[xx.ravel(), yy.ravel()])
+Z_linear_regression = Z_linear_regression.reshape(xx.shape)
+
+
+# МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН (10)
+
+# Инициализация модели
+multi_layer_perceptron_10 = MLPClassifier(hidden_layer_sizes=(10,), alpha=0.01, random_state=rs)
+# Обучение
+multi_layer_perceptron_10.fit(X_train, y_train)
+# Предсказание
+y_pred_multi_layer_perceptron_10 = multi_layer_perceptron_10.predict(X_test)
+# Оценка точности каждой модели сравнивается с истинными метками классов на тестовой выборке
+accuracy_mlp_10 = accuracy_score(y_test, y_pred_multi_layer_perceptron_10)
+# Предсказание класса для каждой точки в сетке графика и изменение формы результата
+Z_mlp_10 = multi_layer_perceptron_10.predict(np.c_[xx.ravel(), yy.ravel()])
+Z_mlp_10 = Z_mlp_10.reshape(xx.shape)
+
+
+# МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН (100)
+
+# Инициализация модели
+multi_layer_perceptron_100 = MLPClassifier(hidden_layer_sizes=(100,), alpha=0.01, random_state=rs)
+# Обучение
+multi_layer_perceptron_100.fit(X_train, y_train)
+# Предсказание
+y_pred_multi_layer_perceptron_100 = multi_layer_perceptron_100.predict(X_test)
+# Оценка точности (MSE)
+accuracy_mlp_100 = accuracy_score(y_test, y_pred_multi_layer_perceptron_100)
+# Предсказание класса для каждой точки в сетке графика и изменение формы результата
+Z_mlp_100 = multi_layer_perceptron_100.predict(np.c_[xx.ravel(), yy.ravel()])
+Z_mlp_100 = Z_mlp_100.reshape(xx.shape)
+
+
+# ВЫВОД: результаты оценки точности (в консоли) и график
+print("Точность: ")
+print("LinearRegression:", accuracy_linear_regression)
+print("Multi Layer Perceptron 10 нейронов:", accuracy_mlp_10)
+print("Multi Layer Perceptron 100 нейронов:", accuracy_mlp_100)
+
+plt.figure(figsize=(12, 9))
+plt.subplot(221)
+plt.contourf(xx, yy, Z_linear_regression, alpha=0.8)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
+plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
+plt.title('Линейная регрессия')
+plt.xlabel('Признак 1')
+plt.ylabel('Признак 2')
+
+plt.subplot(222)
+plt.contourf(xx, yy, Z_mlp_10, alpha=0.8)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
+plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
+plt.title('MLP 10 нейронов')
+plt.xlabel('Признак 1')
+plt.ylabel('Признак 2')
+
+plt.subplot(223)
+plt.contourf(xx, yy, Z_mlp_100, alpha=0.8)
+plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', alpha=0.6)
+plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k')
+plt.title('MLP 100 нейронов')
+plt.xlabel('Признак 1')
+plt.ylabel('Признак 2')
+
+plt.tight_layout()
+plt.show()