diff --git a/Lab_4/lab_products_clustering_cuml.ipynb b/Lab_4/lab_products_clustering_cuml.ipynb
new file mode 100644
index 0000000..3384280
--- /dev/null
+++ b/Lab_4/lab_products_clustering_cuml.ipynb
@@ -0,0 +1,193 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "e7893b9e",
+   "metadata": {},
+   "source": [
+    "# Лабораторная работа: Методы искусственного интеллекта\n",
+    "## Задача кластеризации продуктов с использованием cuML\n",
+    "### Вариант: Продукты\n",
+    "В данной работе используется библиотека cuML для GPU-ускоренного анализа данных. Цель: провести кластеризацию продуктов на основе их характеристик."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "e3834005",
+   "metadata": {},
+   "source": [
+    "### Загрузка и исследование данных"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "5530d138",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import cudf\n",
+    "import cuml\n",
+    "from cuml.preprocessing import LabelEncoder\n",
+    "from cuml.decomposition import PCA\n",
+    "from cuml.cluster import KMeans\n",
+    "import cupy as cp\n",
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "# Загрузка данных\n",
+    "df = cudf.read_csv('your_dataset_path.csv')\n",
+    "print(df.info())\n",
+    "print(df.head())"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "49112908",
+   "metadata": {},
+   "source": [
+    "### Предварительная обработка данных"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "1e3ef9fa",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Обработка пропущенных значений\n",
+    "df = df.dropna()\n",
+    "\n",
+    "# Кодирование категориального признака 'items'\n",
+    "label_encoder = LabelEncoder()\n",
+    "df['items_encoded'] = label_encoder.fit_transform(df['items'])\n",
+    "\n",
+    "# Нормализация числовых признаков\n",
+    "numeric_features = ['items_encoded', 'price']\n",
+    "df_scaled = df[numeric_features].astype('float32')\n",
+    "\n",
+    "# Преобразование данных в формат cupy\n",
+    "X = cp.asarray(df_scaled.values)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "ff5f1f8f",
+   "metadata": {},
+   "source": [
+    "### Понижение размерности и визуализация данных"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "e15c80bb",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Применение PCA для понижения размерности\n",
+    "pca = PCA(n_components=2)\n",
+    "reduced_data = pca.fit_transform(X)\n",
+    "\n",
+    "# Визуализация данных\n",
+    "plt.scatter(reduced_data[:, 0], reduced_data[:, 1])\n",
+    "plt.title('Визуализация данных после PCA')\n",
+    "plt.xlabel('PC1')\n",
+    "plt.ylabel('PC2')\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "f2eef505",
+   "metadata": {},
+   "source": [
+    "### Выбор оптимального количества кластеров"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "f72195d2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Оценка инерции и коэффициента силуэта\n",
+    "inertia = []\n",
+    "silhouette_scores = []\n",
+    "k_range = range(2, 11)\n",
+    "for k in k_range:\n",
+    "    kmeans = KMeans(n_clusters=k, random_state=42)\n",
+    "    kmeans.fit(reduced_data)\n",
+    "    inertia.append(kmeans.inertia_)\n",
+    "    silhouette_scores.append(cuml.metrics.silhouette_score(reduced_data, kmeans.labels_))\n",
+    "\n",
+    "# Построение графиков\n",
+    "plt.figure(figsize=(14, 5))\n",
+    "plt.subplot(1, 2, 1)\n",
+    "plt.plot(k_range, inertia, marker='o')\n",
+    "plt.title('Критерий инерции')\n",
+    "plt.xlabel('Число кластеров')\n",
+    "plt.ylabel('Инерция')\n",
+    "\n",
+    "plt.subplot(1, 2, 2)\n",
+    "plt.plot(k_range, silhouette_scores, marker='o')\n",
+    "plt.title('Коэффициент силуэта')\n",
+    "plt.xlabel('Число кластеров')\n",
+    "plt.ylabel('Силуэт')\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "180e85ac",
+   "metadata": {},
+   "source": [
+    "### Кластерный анализ"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "dd573024",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Кластеризация с использованием KMeans\n",
+    "optimal_k = 4  # Выбираем на основе графиков\n",
+    "kmeans = KMeans(n_clusters=optimal_k, random_state=42)\n",
+    "labels = kmeans.fit_predict(reduced_data)\n",
+    "\n",
+    "# Визуализация кластеров\n",
+    "plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c=labels, cmap='viridis')\n",
+    "plt.title('Кластеры (KMeans)')\n",
+    "plt.xlabel('PC1')\n",
+    "plt.ylabel('PC2')\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "407d268e",
+   "metadata": {},
+   "source": [
+    "### Оценка качества кластеризации"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "d00795e2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Оценка коэффициента силуэта\n",
+    "silhouette = cuml.metrics.silhouette_score(reduced_data, labels)\n",
+    "print(f'Силуэт для кластеризации: {silhouette:.2f}')"
+   ]
+  }
+ ],
+ "metadata": {},
+ "nbformat": 4,
+ "nbformat_minor": 5
+}