diff --git a/README.md b/README.md
index cca6a9b..cbcd6aa 100644
--- a/README.md
+++ b/README.md
@@ -1,11 +1,78 @@
-# Лабораторная 4: scikit-learn
+# Лабораторная работа 4: scikit-learn
 
-В рамках работы использованы:
-- базовый пример MLPClassifier на датасете Iris;
-- пример LOF (Local Outlier Factor) из раздела Nearest Neighbors.
+## Описание
 
-## Как запустить
-- python -m venv venv
-- venv\Scripts\activate
-- pip install -r requirements.txt
-- jupyter lab
\ No newline at end of file
+В данной лабораторной работе используется библиотека **scikit-learn** для решения двух задач:
+
+1. Базовый пример классификации с помощью `MLPClassifier` на датасете **Iris**.
+2. Обнаружение выбросов с помощью метода **Local Outlier Factor (LOF)**:
+   - на синтетических данных (`make_moons` + искусственно добавленные выбросы),
+   - на реальном датасете **Credit Card Fraud** из OpenML.
+
+## Цель работы
+
+Изучить базовые возможности библиотеки **scikit-learn** и применить её:
+- для построения модели классификации,
+- для решения задачи обнаружения аномалий.
+
+## Выполненные задания
+
+### 1. Классификация с помощью MLPClassifier
+- Загружен стандартный датасет **Iris**.
+- Выполнено разбиение выборки на обучающую и тестовую части.
+- Обучена модель `MLPClassifier`.
+- Получены метрики качества с помощью `classification_report`.
+
+### 2. Исследование влияния `max_iter`
+- Проверено, как изменение параметра `max_iter` влияет на обучение модели.
+- Сравнены результаты при меньшем числе итераций и при `max_iter = 2500`.
+- Сделан вывод о том, что увеличение числа итераций позволяет модели лучше сходиться, но на простом датасете Iris заметный прирост качества обычно невелик.
+
+### 3. Обнаружение выбросов методом LOF на синтетических данных
+- Сгенерирован датасет `make_moons`.
+- Добавлены искусственные выбросы.
+- Данные масштабированы с помощью `StandardScaler`.
+- Обучен `LocalOutlierFactor`.
+- Построены графики исходных и предсказанных выбросов.
+
+### 4. Обнаружение выбросов методом LOF на реальных данных
+- Загружен датасет **Credit Card Fraud** из OpenML.
+- Выбраны числовые признаки.
+- Выполнено масштабирование признаков.
+- Применён `LocalOutlierFactor`.
+- Для визуализации использован `PCA` до двух компонент.
+
+## Используемые библиотеки
+
+- `scikit-learn`
+- `numpy`
+- `pandas`
+- `matplotlib`
+- `openml`
+
+## Структура проекта
+
+- `week4_scikit_learn.ipynb` — основной Jupyter Notebook с выполнением лабораторной работы.
+- `README.md` — описание проекта.
+
+## Запуск
+
+1. Установить необходимые библиотеки:
+   ```bash
+   pip install scikit-learn numpy pandas matplotlib openml notebook
+   ```
+
+2. Запустить Jupyter Notebook:
+   ```bash
+   jupyter notebook
+   ```
+
+3. Открыть файл:
+   ```bash
+   week4_scikit_learn.ipynb
+   ```
+
+## Краткий вывод
+
+В ходе работы были изучены базовые инструменты библиотеки **scikit-learn** для задач классификации и обнаружения выбросов.  
+Было показано, что `MLPClassifier` хорошо работает на датасете Iris, а метод **LOF** позволяет находить аномальные объекты как на синтетических, так и на реальных данных.
\ No newline at end of file