diff --git a/week4_scikit_learn.ipynb b/week4_scikit_learn.ipynb
new file mode 100644
index 0000000..c0c8270
--- /dev/null
+++ b/week4_scikit_learn.ipynb
@@ -0,0 +1,103 @@
+{
+ "cells": [
+  {
+   "metadata": {},
+   "cell_type": "markdown",
+   "source": "# Пример с использованием scikit-learn",
+   "id": "f35a7e78162fe88b"
+  },
+  {
+   "metadata": {
+    "collapsed": true,
+    "ExecuteTime": {
+     "end_time": "2026-05-07T18:55:17.794760700Z",
+     "start_time": "2026-05-07T18:55:17.652490Z"
+    }
+   },
+   "cell_type": "code",
+   "source": [
+    "from sklearn.datasets import load_iris\n",
+    "from sklearn.model_selection import train_test_split\n",
+    "from sklearn.neural_network import MLPClassifier\n",
+    "from sklearn.metrics import classification_report\n",
+    "\n",
+    "# Загрузка и разбиение данных\n",
+    "X, y = load_iris(return_X_y=True)\n",
+    "X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)\n",
+    "\n",
+    "# Модель MLP — многослойный перцептрон\n",
+    "clf = MLPClassifier(hidden_layer_sizes=(10,), activation='relu', max_iter=500)\n",
+    "clf.fit(X_train, y_train)\n",
+    "\n",
+    "# Отчёт о точности\n",
+    "print(classification_report(y_test, clf.predict(X_test)))"
+   ],
+   "id": "6b3a8f9a35d69b96",
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "              precision    recall  f1-score   support\n",
+      "\n",
+      "           0       1.00      1.00      1.00        11\n",
+      "           1       0.89      1.00      0.94         8\n",
+      "           2       1.00      0.91      0.95        11\n",
+      "\n",
+      "    accuracy                           0.97        30\n",
+      "   macro avg       0.96      0.97      0.96        30\n",
+      "weighted avg       0.97      0.97      0.97        30\n",
+      "\n"
+     ]
+    },
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "C:\\Users\\Alexandr\\AppData\\Local\\Programs\\Python\\Python314\\Lib\\site-packages\\sklearn\\neural_network\\_multilayer_perceptron.py:785: ConvergenceWarning: Stochastic Optimizer: Maximum iterations (500) reached and the optimization hasn't converged yet.\n",
+      "  warnings.warn(\n"
+     ]
+    }
+   ],
+   "execution_count": 4
+  },
+  {
+   "metadata": {},
+   "cell_type": "markdown",
+   "source": [
+    "## Вывод:\n",
+    "\n",
+    " 1. Используется датасет Iris, который содержит 150 образцов ирисов, разделённых на 3 класса (не 4 категории). Каждый образец описывается 4 признаками.\n",
+    "2. test_size = 0.2 означает, что 20% данных (30 образцов) отводится на тестирование, а 80% (120 образцов) — на обучение. Если установить test_size = 0.5, данные делятся пополам (по 75 образцов на обучение и тестирование).\n",
+    "3. max_iter — количество итераций обучения.\n",
+    "     >При **max_iter=100** результаты крайне нестабильные и модель очень часто ошибается.\n",
+    "\n",
+    "     >При max_iter = 500 результаты становятся достаточно точными, хотя редкие ошибки всё ещё возможны.\n",
+    "\n",
+    "     >При max_iter = 2500 модель либо выдаёт идеальную точность (1.0), либо показывает очень высокие результаты."
+   ],
+   "id": "350dd90fedfff2ab"
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 2
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython2",
+   "version": "2.7.6"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}