diff --git a/README.md b/README.md
index ea56357..d38d373 100644
--- a/README.md
+++ b/README.md
@@ -9,16 +9,23 @@ https://t.me/DL_SamU_2022
 
 Курс основывается на предыдущих более обзорных лекциях и туториалах по глубокому обучению и его приложениях, в частности, вот [небольшая обзорная лекция](https://youtu.be/Gpq1PFUee88) в Кавказском Математическом Центре. Также во многом этот курс является адаптацией известнейшего курса http://cs231n.stanford.edu/  
 
+Материалы курса за 2020-21 годы расположены [здесь](https://github.com/da0c/DL_Course_SamU). 
 
+Курс 2022 года состоит из трех частей:  
+**Введение в глубокое обучение:** краткий обзор всех достижений машинного обучения до сверточных нейронных сетей, две лекции.  
+**Основы глубокого обучения:** собственно основной материал курса, порядка 8 лекций.
+**Дополнительные главы глубокого обучения:** новинки и SOTA решения, трансформеры, метаобучение, zero shot learning и другое.  
 
 ## График проведения курса 2022-2023
 **Видеозаписи лекций 2020-21 годов  можно найти по [ссылке](https://github.com/da0c/DL_Course_SamU).**  
 
-Лекции раз в две недели по [пятницам](https://ssau.ru/rasp?staffId=66320001&selectedWeek=3&selectedWeekday=1).
-Продолжительность лекции два астрономических часа.
+Лекции раз в две недели по [четвергам](https://ssau.ru/rasp?staffId=66320001&selectedWeek=3&selectedWeekday=1).
+Начало в 19-00 по Самаре. Продолжительность лекции два астрономических часа.
 
 Первая лекция: 10.09.22 в 10:00 в Zoom.
 
+**Следующая лекция: 07.10.22 в 10:00 в Zoom.**
+
 Подключиться к конференции Zoom  
 https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09  
 
@@ -28,15 +35,22 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09
 
 ## Лекционный план 2022-2023  
 
-**Лекция 1. Классификация, основанная на данных**   
+**Часть первая. Введение в глубокое обучение.**   
+  
+**Лекции 1,2. Классификация, основанная на данных**   
 
 Введение в курс.  
 Задача классификации изображений.  
 Подходы основанные на данных.  
-Линейная классификация и knn-классификатор.  
-  
+Основные идеи - От MLP до CNN.
 
-**Лекция 2. Функции потерь и оптимизация.**  
+[Первая часть](https://youtu.be/pruCadZdhmQ)  
+[Вторая часть](https://youtu.be/bsdpRfQM-O8)  
+Презентация - TBD.
+  
+**Часть вторая. Основы глубокого обучения.**   
+  
+**Лекция 3. Функции потерь и оптимизация.**  
 
 Мультиклассовый SVM и его функция потерь.  
 Софтмакс и мультимодальная логистическая регрессия.  
@@ -78,6 +92,8 @@ Transfer learning.
 Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.  
 
 
+**Часть третья. Дополнительные главы**
+  
 **Лекция 9. Генеративные и рекуррентные модели**  
 
 
@@ -89,7 +105,12 @@ Transfer learning.
 
 3. Детектирование и сегментация.
 
-**Лекция 10. Нейростевые модели и искусственный интеллект**  
+**Лекция 10. SOTA модели**  
+Трансформеры   
+Zero shot подходы  
+Метаобучение  
+Федеративное обучение  
+ 
 
 
 ## План лабораторных работ