diff --git a/laboratory_3/lab3.ipynb b/laboratory_3/lab3.ipynb
index 0416b83..8b0a62f 100644
--- a/laboratory_3/lab3.ipynb
+++ b/laboratory_3/lab3.ipynb
@@ -6,7 +6,7 @@
    "source": [
     "# Приступаем к работе...\n",
     "\n",
-    "*Вариант задания:* Продажи домов в округе Кинг (вариант - 6)  \n",
+    "*Вариант задания:* Продажи домов в округе Кинг  \n",
     "Определим бизнес-цели и цели технического проекта  \n",
     "\n",
     "### Бизнес-цели:  \n",
@@ -23,7 +23,7 @@
     "\n",
     "2. Оптимизация затрат на ремонт перед продажей  \n",
     "\n",
-    "**Формулировка:** Разработать модель, которая поможет продавцам домов и агентствам недвижимости определить, какие улучшения или реновации дадуи наибольший прирост стоимости дома при минимальных затратах. Это поможет избежать ненужных расходов и максимизировать прибыль от продажи.  \n",
+    "**Формулировка:** Разработать модель, которая поможет продавцам домов и агентствам недвижимости определить, какие улучшения или реновации дадут наибольший прирост стоимости дома при минимальных затратах. Это поможет избежать ненужных расходов и максимизировать прибыль от продажи.  \n",
     "**Цель:** Снизить затраты на ремонт перед продажей, рекомендовать только те улучшения, которые максимально увеличат стоимость недвижимости, и сократить время на принятие решений по реновациям.  \n",
     "\n",
     "**Ключевые показатели успеха (KPI):**  \n",
@@ -40,7 +40,7 @@
     "\n",
     "2. **Разработка модели для рекомендаций по реновациям.**  \n",
     "*Сбор и подготовка данных:* Сбор данных о типах и стоимости реноваций, а также их влияние на конечную стоимость дома. Очистка и устранение неточных или неполных данных о ремонтах. Преобразование категориальных признаков (реновации, например, обновление крыши, замена окон) в числовой формат для представления этих данных с применением One-Hot-Encoding. Разбиение данных на обучающую и тестовую выборки для обучения модели.  \n",
-    "*Разработка и обучение модели:* Использование модели регрессий (линейная регрессия, случайный лес) для предсказания и моделирования влияния конкрентых реноваций на увеличение стоимости недвижимости. Оценка метрики (CPA - Cost Per Acquisition) оценка затрат на реновацию одной продажи и (ROI - Return on Investment) рассчёт возврата на инвестиции от реновации дома, прирост стоимости после реновации. Обучение модели с целью прогнозирования изменений, которве могут принести наибоьшую пользу для стоимости домов и реноваций.  \n",
+    "*Разработка и обучение модели:* Использование модели регрессий (линейная регрессия, случайный лес) для предсказания и моделирования влияния конкретных реноваций на увеличение стоимости недвижимости. Оценка метрики (CPA - Cost Per Acquisition) оценка затрат на реновацию одной продажи и (ROI - Return on Investment) расчёт возврата на инвестиции от реновации дома, прирост стоимости после реновации. Обучение модели с целью прогнозирования изменений, которые могут принести наибольшую пользу для стоимости домов и реноваций.  \n",
     "*Развёртывание модели:* Создание интерфейса, где пользователи смогут вводить информацию о текущем состоянии дома и получать рекомендации по реновациям с расчётом ROI. Создать рекомендационную систему для продавцов недвижимости, которая будет предлагать набор реноваций.\n"
    ]
   },
@@ -927,7 +927,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Ручной синтех признаков\n",
+    "# Ручной синтез признаков\n",
     "train_data_encoded['price_per_sqft'] = df['price'] / df['sqft_living']\n",
     "val_data_encoded['price_per_sqft'] = df['price'] / df['sqft_living']\n",
     "test_data_encoded['price_per_sqft'] = df['price'] / df['sqft_living']\n",