diff --git a/README.md b/README.md
index aa9dece..770b1b2 100644
--- a/README.md
+++ b/README.md
@@ -62,7 +62,7 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09
 [Презентация к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3_SGD_22.pdf)  
 [Python-ноутбук к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3.ipynb)  
 
-**Лекция 3. Нейронные сети и обратное распространение ошибки.**  
+**Лекция 4. Нейронные сети и обратное распространение ошибки.**  
  
 Классификация с точки зрения нейронной сети.  
 Многослойный перцептрон.  
@@ -72,13 +72,13 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09
 
 [Презентация к лекции 4](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_4_BP_22.pdf)  
 
-**Лекция 4. Сверточные сети (СНС).**  
+**Лекция 5. Сверточные сети (СНС).**  
 История.  
 Основные операции СНС.  
 Применение СНС вне задач машинного зрения.  
 Разбор задач к самостоятельной: расчет выхода сверточной сети.  
 
-**Лекция 5. Инструментарий глубокого обучения.**  
+**Лекция 6. Инструментарий глубокого обучения.**  
 CPU vs GPU vs TPU.  
 Пакеты глубокого обучения, Tensorflow, Keras и другие.  
 Вычислительные графы СНС.  
@@ -88,26 +88,26 @@ CPU vs GPU vs TPU.
 Три задачи из лекций 2-5.  
 **Внимание:** участие в самостоятельной, как и сдача лабораторных, необходимое условие для допуска к экзамену.  
 
-**Лекция 6. Обучение СНС, часть 1.**  
+**Лекция 7. Обучение СНС, часть 1.**  
 
 Активационные функции, обработка данных сетью.  
 Пакетная нормализация и другие трюки.  
 Transfer learning.
 
-**Лекция 7. Обучение СНС, часть 2.**  
+**Лекция 8. Обучение СНС, часть 2.**  
 
 Политики обновления гиперпараметров.  
 Тюнинг процесса обучения.
 Аугментация данных.  
 
-**Лекция 8. Архитектуры СНС**  
+**Лекция 9. Архитектуры СНС**  
 
 Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.  
 
 
 **Часть третья. Дополнительные главы**
   
-**Лекция 9. Генеративные и рекуррентные модели**  
+**Лекция 10. Генеративные и рекуррентные модели**  
 
 
 1. RNN/LSTM.  
@@ -118,7 +118,7 @@ Transfer learning.
 
 3. Детектирование и сегментация.
 
-**Лекция 10. SOTA модели**  
+**Лекция 11. SOTA модели**  
 Трансформеры   
 Zero shot подходы  
 Метаобучение