diff --git a/notebooks/first_module_intro/02_homework.ipynb b/notebooks/first_module_intro/02_homework.ipynb
new file mode 100644
index 0000000..7e30eab
--- /dev/null
+++ b/notebooks/first_module_intro/02_homework.ipynb
@@ -0,0 +1,178 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "43fc8290",
+   "metadata": {},
+   "source": [
+    "## Задание 1."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b06a5ace",
+   "metadata": {},
+   "source": [
+    "Посчитайте частоты для 5-грамм в корпусе lenta.txt. двумя способами:  \n",
+    "1) lenta.txt -> sent_tokenize (russian) -> word_tokenize -> ngrammer  \n",
+    "2) lenta.txt -> word_tokene(preserve_line=True) - ngrammer  \n",
+    "    \n",
+    "Проанализируйте топ-20 самых частотных нграмм и проверьте есть ли различия? "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "957f5656",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b5781f34",
+   "metadata": {},
+   "source": [
+    "## Задание 2."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "4292716e",
+   "metadata": {},
+   "source": [
+    "Найдите какую-то инетересную (по вашему мнению) закономерность на https://books.google.com/ngrams/ для русского языка (с 1990 по 2019)\n",
+    "\n",
+    "Вставьте сюда скриншот"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "0e3bf76d",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "id": "8a0a89ec",
+   "metadata": {},
+   "source": [
+    "## Заданиe 3"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b40c35e9",
+   "metadata": {},
+   "source": [
+    "Когда мы разбирали PMI мы использовали такую функцию:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "221f1bc0",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def scorer_simple(word_count_a, word_count_b, bigram_count, *args):\n",
+    "    try:\n",
+    "        score = bigram_count/((word_count_a+word_count_b))\n",
+    "    except ZeroDivisionError:\n",
+    "        return 0\n",
+    "    return score"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "53fd2def",
+   "metadata": {},
+   "source": [
+    "Но если вы посмотрите на определение в википедии, то увидите, что формула немного другая ![](https://wikimedia.org/api/rest_v1/media/math/render/svg/094243d23c19d2d032f6bb26c4dc4f47d98d32f8)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b1905862",
+   "metadata": {},
+   "source": [
+    "Перепишите функцию, чтобы она точно соответствовала этому определению. Расчитайте PMI для всех биграммов также как мы делали в семинаре с помощью функции score_bigrams используя изначальный scorer и обновленный. Посмотрите есть ли разница в топ-10 биграммов. Подумайте почему результаты совпадают/отличаются?\n",
+    "\n",
+    "*Подсказка: для вероятностей можно поделить на количество слов в корпусе"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "1431f618",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "id": "0a6e1c99",
+   "metadata": {},
+   "source": [
+    "## Задание 4*\n",
+    "\n",
+    "Обновите функцию получившуюся в предыдущем задании так, чтобы вместо произведения/деления вероятностей использовались сложение и вычитание логирифмов. "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "3f55a362",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b22785f4",
+   "metadata": {},
+   "source": [
+    "## Задание 5"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "a1121e53",
+   "metadata": {},
+   "source": [
+    "Исследуйте gensim.models.Phrases. Проверьте сколько дефолтных scoring функций есть в этом классе. Попробуйте все доступные по умолчанию scoring функции и попробуйте настраивать для них значение threshold и min_count. Попробуйте сделать так, чтобы собиралось как можно больше нграммов. Попробуйте строить последовательность gensim.models.Phrases, чтобы строить более длинные нграммы"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "716fba84",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.14"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}
diff --git a/notebooks/first_module_intro/02_ngrams.ipynb b/notebooks/first_module_intro/02_ngrams.ipynb
index 7045b73..1a6fdaa 100644
--- a/notebooks/first_module_intro/02_ngrams.ipynb
+++ b/notebooks/first_module_intro/02_ngrams.ipynb
@@ -20,20 +20,20 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 200,
-   "id": "41cc8dc8",
+   "execution_count": 1,
+   "id": "2bb9ec35",
    "metadata": {},
    "outputs": [],
    "source": [
     "# to download data\n",
-    "#!mkdir data\n",
+    "# !mkdir data\n",
     "# !wget https://github.com/mannefedov/compling_nlp_hse_course/raw/master/data/lenta.txt.zip -P data\n",
     "# !unzip -o data/lenta.txt.zip -d data/"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 199,
+   "execution_count": 2,
    "id": "756b4d59",
    "metadata": {},
    "outputs": [],
@@ -47,20 +47,9 @@
    "execution_count": 3,
    "id": "8d6dc286",
    "metadata": {},
-   "outputs": [
-    {
-     "data": {
-      "text/plain": [
-       "'Бои у Сопоцкина и Друскеник закончились отступлени'"
-      ]
-     },
-     "execution_count": 3,
-     "metadata": {},
-     "output_type": "execute_result"
-    }
-   ],
+   "outputs": [],
    "source": [
-    "corpus[:50]"
+    "# corpus[:1000]"
    ]
   },
   {
@@ -78,7 +67,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 4,
+   "execution_count": 5,
    "id": "277bf143",
    "metadata": {},
    "outputs": [],
@@ -89,7 +78,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": 6,
    "id": "05ec0387",
    "metadata": {},
    "outputs": [],
@@ -99,7 +88,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 6,
+   "execution_count": 36,
    "id": "4a487ea7",
    "metadata": {},
    "outputs": [],
@@ -115,7 +104,15 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 7,
+   "execution_count": null,
+   "id": "f149cfdf",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 37,
    "id": "31007149",
    "metadata": {},
    "outputs": [
@@ -146,7 +143,7 @@
        "  '.']]"
       ]
      },
-     "execution_count": 7,
+     "execution_count": 37,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -166,7 +163,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 8,
+   "execution_count": 38,
    "id": "81cd58de",
    "metadata": {},
    "outputs": [],
@@ -176,7 +173,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 9,
+   "execution_count": 39,
    "id": "d12f7832",
    "metadata": {},
    "outputs": [],
@@ -187,7 +184,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 10,
+   "execution_count": 40,
    "id": "6f255020",
    "metadata": {},
    "outputs": [
@@ -215,7 +212,7 @@
        "  'крепостью']]"
       ]
      },
-     "execution_count": 10,
+     "execution_count": 40,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -242,7 +239,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 11,
+   "execution_count": 41,
    "id": "30b709d0",
    "metadata": {},
    "outputs": [],
@@ -255,7 +252,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 12,
+   "execution_count": 42,
    "id": "401932c3",
    "metadata": {},
    "outputs": [],
@@ -275,7 +272,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 13,
+   "execution_count": 43,
    "id": "a4c91359",
    "metadata": {},
    "outputs": [
@@ -294,7 +291,7 @@
        " ('о', 7117)]"
       ]
      },
-     "execution_count": 13,
+     "execution_count": 43,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -323,7 +320,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 14,
+   "execution_count": 44,
    "id": "f637e312",
    "metadata": {},
    "outputs": [],
@@ -336,13 +333,24 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 15,
+   "execution_count": 45,
+   "id": "148e0abd",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# russian_stopwords"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 46,
    "id": "a186038e",
    "metadata": {
     "scrolled": true
    },
    "outputs": [],
    "source": [
+    "\n",
     "token_counts = Counter()\n",
     "for sentence in tokenized_sentences:\n",
     "    token_counts.update([token for token in sentence if token not in russian_stopwords])"
@@ -350,7 +358,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 16,
+   "execution_count": 47,
    "id": "664ddb42",
    "metadata": {},
    "outputs": [
@@ -369,7 +377,7 @@
        " ('заявил', 2940)]"
       ]
      },
-     "execution_count": 16,
+     "execution_count": 47,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -404,21 +412,31 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 17,
+   "execution_count": 48,
    "id": "ea69b13c",
    "metadata": {},
    "outputs": [],
    "source": [
     "def ngrammer(tokens, n=2):\n",
     "    ngrams = []\n",
-    "    for i in range(0,len(tokens)-n+1):\n",
+    "    for i in range(len(tokens)-n+1):\n",
     "        ngrams.append(' '.join(tokens[i:i+n]))\n",
     "    return ngrams"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 20,
+   "execution_count": 49,
+   "id": "2f7cc13c",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# ngrammer('1234567')"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 50,
    "id": "7f2b0c06",
    "metadata": {},
    "outputs": [],
@@ -430,7 +448,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 21,
+   "execution_count": 51,
    "id": "018300fb",
    "metadata": {},
    "outputs": [
@@ -449,7 +467,7 @@
        " ('эхо москвы', 488)]"
       ]
      },
-     "execution_count": 21,
+     "execution_count": 51,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -460,8 +478,8 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 23,
-   "id": "3e3db5f6",
+   "execution_count": 73,
+   "id": "49320da7",
    "metadata": {},
    "outputs": [
     {
@@ -476,10 +494,20 @@
        " ('в том числе', 608),\n",
        " ('передает риа новости', 565),\n",
        " ('на северном кавказе', 470),\n",
-       " ('риа новости в', 461)]"
+       " ('риа новости в', 461),\n",
+       " ('риа новости со', 428),\n",
+       " ('новости со ссылкой', 408),\n",
+       " ('в соответствии с', 367),\n",
+       " ('в том что', 367),\n",
+       " ('после того как', 355),\n",
+       " ('сообщили риа новости', 332),\n",
+       " ('до сих пор', 327),\n",
+       " ('то же время', 325),\n",
+       " ('как сообщает риа', 324),\n",
+       " ('в то же', 324)]"
       ]
      },
-     "execution_count": 23,
+     "execution_count": 73,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -490,12 +518,12 @@
     "    # можно убрать фильтр стоп-слов\n",
     "    trigram_counts.update(ngrammer([token for token in sentence], 3))\n",
     "\n",
-    "trigram_counts.most_common(10)"
+    "trigram_counts.most_common(20)"
    ]
   },
   {
    "cell_type": "markdown",
-   "id": "45846b03",
+   "id": "c4562e17",
    "metadata": {},
    "source": [
     "N можно повышать и дальше, но выше 3-грамм на таком небольшом корпусе подниматься особого смысла нет, так как большинство будет иметь 1 частотность, а в топе будут совсем клишированые фразы. Но на больших данных 4,5,6-граммы могут быть осмысленными. В целом такой простой подсчет частотностей по нграммам уже очень хороший способ что-то понять про данные и даже увидеть какие-то интересные зависимости. \n",
@@ -506,14 +534,14 @@
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "15a2d304",
+   "id": "d1f22e11",
    "metadata": {},
    "outputs": [],
    "source": []
   },
   {
    "cell_type": "markdown",
-   "id": "3cfa86da",
+   "id": "aa7b3f15",
    "metadata": {},
    "source": [
     "### коллокации"
@@ -531,7 +559,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "a6f49305",
+   "id": "85ca3963",
    "metadata": {},
    "source": [
     "Напишем функцию, которая будет высчитывать PMI из частот слова а и б и их общей частоты."
@@ -539,7 +567,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 26,
+   "execution_count": 138,
    "id": "46d66b93",
    "metadata": {},
    "outputs": [],
@@ -577,7 +605,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 27,
+   "execution_count": 139,
    "id": "847bb843",
    "metadata": {},
    "outputs": [],
@@ -606,7 +634,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 41,
+   "execution_count": 140,
    "id": "fd481e01",
    "metadata": {},
    "outputs": [],
@@ -629,7 +657,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 42,
+   "execution_count": 141,
    "id": "54396f05",
    "metadata": {},
    "outputs": [],
@@ -639,7 +667,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 43,
+   "execution_count": 142,
    "id": "9b09bd88",
    "metadata": {},
    "outputs": [],
@@ -657,7 +685,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 44,
+   "execution_count": 143,
    "id": "12c6b05b",
    "metadata": {},
    "outputs": [
@@ -681,7 +709,7 @@
        " ('равнине обманчиво-зыбкой.презрение', 0.5)]"
       ]
      },
-     "execution_count": 44,
+     "execution_count": 143,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -700,7 +728,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 45,
+   "execution_count": 144,
    "id": "07ac44ff",
    "metadata": {},
    "outputs": [],
@@ -731,7 +759,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 46,
+   "execution_count": 145,
    "id": "ec18f79d",
    "metadata": {},
    "outputs": [],
@@ -741,7 +769,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 47,
+   "execution_count": 146,
    "id": "9548c7a2",
    "metadata": {},
    "outputs": [
@@ -765,7 +793,7 @@
        " ('возбуждено уголовное', 0.2983606557377049)]"
       ]
      },
-     "execution_count": 47,
+     "execution_count": 146,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -784,7 +812,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 49,
+   "execution_count": 147,
    "id": "cce05f63",
    "metadata": {},
    "outputs": [],
@@ -798,6 +826,7 @@
     "    \n",
     "    return score\n",
     "\n",
+    "\n",
     "# добавим параметр len_vocab\n",
     "def score_bigrams(unigrams, bigrams, scorer, threshold=-100000, min_count=0):\n",
     "    ## посчитаем метрику для каждого нграмма\n",
@@ -825,17 +854,17 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 50,
+   "execution_count": 150,
    "id": "1d37bf2a",
    "metadata": {},
    "outputs": [],
    "source": [
-    "bigram2score = score_bigrams(unigrams, bigrams, scorer_w2v, min_count=15)"
+    "bigram2score = score_bigrams(unigrams, bigrams, scorer_simple, min_count=1)"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 51,
+   "execution_count": 151,
    "id": "0df71d92",
    "metadata": {
     "scrolled": true
@@ -844,24 +873,24 @@
     {
      "data": {
       "text/plain": [
-       "[('dow jones', 2053.727832512315),\n",
-       " ('exit polls', 1973.5230769230768),\n",
-       " ('норильский никель', 1847.2176),\n",
-       " ('саудовской аравии', 1831.466983938132),\n",
-       " ('ak m', 1759.6570644718793),\n",
-       " ('подписных листов', 1733.5),\n",
-       " ('подписные листы', 1718.0223214285713),\n",
-       " ('wall street', 1690.2859686609686),\n",
-       " ('го чс', 1583.6913580246915),\n",
-       " ('всея руси', 1574.853794642857),\n",
-       " ('персидском заливе', 1554.8969696969698),\n",
-       " ('street journal', 1534.2010030864199),\n",
-       " ('следственном изоляторе', 1521.094861660079),\n",
-       " ('мобильном отряде', 1395.4203574203575),\n",
-       " ('шкале рихтера', 1385.0722591362126)]"
+       "[('сопоцкина друскеник', 0.5),\n",
+       " ('неприятель приблизившись', 0.5),\n",
+       " ('саноку обстреливалась', 0.5),\n",
+       " ('м.ю лермонтова', 0.5),\n",
+       " ('австрийский аэроплан', 0.5),\n",
+       " ('показывался аэроплан-птица', 0.5),\n",
+       " ('das ist', 0.5),\n",
+       " ('ist nesteroff', 0.5),\n",
+       " ('песнь нестерове', 0.5),\n",
+       " ('могучий унесся', 0.5),\n",
+       " ('шумели лязгали', 0.5),\n",
+       " ('зловеще гремели.и', 0.5),\n",
+       " ('гремели.и пламенно', 0.5),\n",
+       " ('жаждали битвы…величие', 0.5),\n",
+       " ('равнине обманчиво-зыбкой.презрение', 0.5)]"
       ]
      },
-     "execution_count": 51,
+     "execution_count": 151,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -890,7 +919,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 57,
+   "execution_count": 153,
    "id": "36ae2834",
    "metadata": {},
    "outputs": [],
@@ -927,7 +956,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 59,
+   "execution_count": 154,
    "id": "641aa6ca",
    "metadata": {},
    "outputs": [],
@@ -937,8 +966,8 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 64,
-   "id": "edfc0bae",
+   "execution_count": 155,
+   "id": "51a57805",
    "metadata": {},
    "outputs": [
     {
@@ -1947,7 +1976,7 @@
        " ...]"
       ]
      },
-     "execution_count": 64,
+     "execution_count": 155,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2003,7 +2032,7 @@
   {
    "cell_type": "code",
    "execution_count": 118,
-   "id": "dfa0f455",
+   "id": "2f9ab50c",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2066,6 +2095,35 @@
     "p2 = gensim.models.phrases.Phraser(ph2)"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": 258,
+   "id": "4de46fe8",
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "['с',\n",
+       " 'раннего',\n",
+       " 'утра',\n",
+       " '14',\n",
+       " 'сентября',\n",
+       " 'огонь',\n",
+       " 'достиг',\n",
+       " 'значительного',\n",
+       " 'напряжения']"
+      ]
+     },
+     "execution_count": 258,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "tokenized_sentences[3]"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 122,
@@ -2092,30 +2150,6 @@
     "p2[p[tokenized_sentences[3]]]"
    ]
   },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "22b99b55",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "01ae6d1a",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "c2a06360",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  },
   {
    "cell_type": "markdown",
    "id": "05e794f1",
@@ -2153,7 +2187,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "finder2 = BigramCollocationFinder.from_documents(tokenized_sentences)"
+    "finder2 = BigramCollocationFinder.from_documents(tokenized_sentences, )"
    ]
   },
   {
@@ -2168,7 +2202,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 127,
+   "execution_count": 261,
    "id": "d0827cd1",
    "metadata": {
     "scrolled": true
@@ -2177,35 +2211,35 @@
     {
      "data": {
       "text/plain": [
-       "[('риа', 'новости'),\n",
-       " ('об', 'этом'),\n",
-       " ('со', 'ссылкой'),\n",
-       " ('кроме', 'того'),\n",
-       " ('по', 'словам'),\n",
-       " ('а', 'также'),\n",
-       " ('сообщает', 'риа'),\n",
-       " ('ссылкой', 'на'),\n",
-       " ('настоящее', 'время'),\n",
-       " ('напомним', 'что'),\n",
-       " ('во', 'вторник'),\n",
-       " ('северном', 'кавказе'),\n",
-       " ('том', 'что'),\n",
-       " ('том', 'числе'),\n",
-       " ('как', 'сообщает'),\n",
-       " ('таким', 'образом'),\n",
-       " ('миллионов', 'долларов'),\n",
-       " ('по', 'данным'),\n",
-       " ('в', 'результате'),\n",
-       " ('эхо', 'москвы')]"
+       "[('0,0277/', '0,0281'),\n",
+       " ('0,06', 'миллиграм'),\n",
+       " ('0,0698/', '0,07'),\n",
+       " ('0,14', 'умарджбраилов'),\n",
+       " ('0,1895/', '0,191'),\n",
+       " ('0,191', '14,49'),\n",
+       " ('0,238/', '0,2395'),\n",
+       " ('0,70', 'процента.проведенное'),\n",
+       " ('00:16', 'отделилась'),\n",
+       " ('07.04.2000', '4233'),\n",
+       " ('1,0510-', '1,0520'),\n",
+       " ('1,22', 'рубля.стоимость'),\n",
+       " ('1,85', 'милиона'),\n",
+       " ('1,987', 'сек2'),\n",
+       " ('1-ая', 'градская'),\n",
+       " ('1-му', 'кадашевскому'),\n",
+       " ('1-с', 'бухгалтерия'),\n",
+       " ('1.4', 'срабатывает'),\n",
+       " ('10-14', 'дней.россия'),\n",
+       " ('10-ая', 'внеочередная')]"
       ]
      },
-     "execution_count": 127,
+     "execution_count": 261,
      "metadata": {},
      "output_type": "execute_result"
     }
    ],
    "source": [
-    "finder2.nbest(bigram_measures.likelihood_ratio, 20)"
+    "finder2.nbest(bigram_measures.pmi, 20, )"
    ]
   },
   {
@@ -2247,7 +2281,7 @@
     }
    ],
    "source": [
-    "finder3.nbest(trigram_measures.pmi, 20)"
+    "finder3.nbest(trigram_measures.lik, 20)"
    ]
   },
   {
@@ -2327,7 +2361,7 @@
    "source": [
     "У нас есть три основных способа посмотреть на конкретную вероятность:\n",
     "\n",
-    "1) в питоне по умолчанию используется запись маленьких и больших чисел через число e в степени. Степень выводится сразу после числа e (если в начале степени стоит - , то это число меньше единицы). Чем больше/меньше степень, тем больше/меньше число"
+    "1) в питоне по умолчанию используется запись маленьких и больших чисел через умножение на степень 10. Степень выводится сразу после символа e (если в начале степени стоит - , то это число меньше единицы). Чем больше/меньше степень, тем больше/меньше число. E используется просто как сокращение 10^, это не число e."
    ]
   },
   {
@@ -2389,7 +2423,9 @@
    "cell_type": "code",
    "execution_count": 32,
    "id": "44d45ce0",
-   "metadata": {},
+   "metadata": {
+    "scrolled": true
+   },
    "outputs": [
     {
      "name": "stdout",
@@ -2513,7 +2549,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 25,
+   "execution_count": 273,
    "id": "3d33ddd0",
    "metadata": {},
    "outputs": [
@@ -2523,7 +2559,7 @@
        "(0.0, 0.6931471805599453)"
       ]
      },
-     "execution_count": 25,
+     "execution_count": 273,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2542,7 +2578,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 26,
+   "execution_count": 275,
    "id": "2ed0086a",
    "metadata": {},
    "outputs": [
@@ -2552,7 +2588,7 @@
        "0.10000000000000002"
       ]
      },
-     "execution_count": 26,
+     "execution_count": 275,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2561,6 +2597,27 @@
     "np.exp(np.log(0.1))"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": 278,
+   "id": "c41f93b4",
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "0.10000000000000009"
+      ]
+     },
+     "execution_count": 278,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "np.exp(np.log1p(0.1)) - 1"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "e0a48b2b",
@@ -2600,7 +2657,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 28,
+   "execution_count": 279,
    "id": "2793dbb9",
    "metadata": {},
    "outputs": [
@@ -2610,7 +2667,7 @@
        "0.0002"
       ]
      },
-     "execution_count": 28,
+     "execution_count": 279,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2621,7 +2678,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 29,
+   "execution_count": 280,
    "id": "ed897d24",
    "metadata": {},
    "outputs": [
@@ -2631,7 +2688,7 @@
        "0.0002000000000000002"
       ]
      },
-     "execution_count": 29,
+     "execution_count": 280,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2695,18 +2752,30 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 176,
+   "execution_count": 298,
    "id": "32b49cee",
    "metadata": {},
-   "outputs": [],
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "-102.06520355013919"
+      ]
+     },
+     "execution_count": 298,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
    "source": [
     "phrase = 'Технические возможности устаревшего российского судна не позволили разгрузить его у терминала'\n",
+    "# '{0:.50f}'.format(compute_joint_proba(phrase, probas))\n",
     "np.log(compute_joint_proba(phrase, probas))"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 195,
+   "execution_count": 299,
    "id": "62aa2df8",
    "metadata": {},
    "outputs": [
@@ -2716,19 +2785,20 @@
        "-17.86851797762613"
       ]
      },
-     "execution_count": 195,
+     "execution_count": 299,
      "metadata": {},
      "output_type": "execute_result"
     }
    ],
    "source": [
     "phrase = 'сообщает РИА НОВОСТИ'\n",
+    "# '{0:.50f}'.format(compute_joint_proba(phrase, probas))\n",
     "np.log(compute_joint_proba(phrase, probas))"
    ]
   },
   {
    "cell_type": "markdown",
-   "id": "5b3c4f41",
+   "id": "1e69c0db",
    "metadata": {},
    "source": [
     "Но такой способ расчета вероятности предложения очень ненадежный, так как рассматривает каждое слово по отдельности."
@@ -2736,8 +2806,8 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 192,
-   "id": "26cb5e77",
+   "execution_count": 295,
+   "id": "d89bc36a",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2746,8 +2816,8 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 193,
-   "id": "713a9e16",
+   "execution_count": 296,
+   "id": "1b5a608d",
    "metadata": {},
    "outputs": [
     {
@@ -2756,7 +2826,7 @@
        "-93.62260103027181"
       ]
      },
-     "execution_count": 193,
+     "execution_count": 296,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -2767,7 +2837,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "5577fc96",
+   "id": "974d234b",
    "metadata": {},
    "source": [
     "Слова в предложении - это не независимые события, выбор первого слова сильно влияет на вероятности выбрать второе, третье и так далее."
@@ -2775,7 +2845,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "f3acc90a",
+   "id": "7e24b45f",
    "metadata": {},
    "source": [
     "Такие события можно оценивать по формуле полной вероятности:"
@@ -2784,7 +2854,7 @@
   {
    "cell_type": "code",
    "execution_count": 21,
-   "id": "8d7b5459",
+   "id": "255e9117",
    "metadata": {},
    "outputs": [
     {
@@ -2808,7 +2878,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "3cb8b9c7",
+   "id": "d99c01cc",
    "metadata": {},
    "source": [
     "А если простыми словами, то для того, чтобы получить вероятность предложения, нужно перемножить `вероятность первого слова`, `вероятность второго слова, при условии первого`, `вероятность третьего при условии первого и второго`, `вероятность четвертого слова, при условии первого, второго и третьего` и так далее до вероятности последнего слова при условии всех предшешевствующих.\n",
@@ -2819,7 +2889,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "c013d42f",
+   "id": "852a69d8",
    "metadata": {},
    "source": [
     "Но тут появляется проблема. Для того, чтобы расчитать полную вероятность предложения нужно, чтобы такое предложение уже встретилось в корпусе хотя бы 1 раз. Очевидно, что даже огромный корпус всего написанного текста не включает в себя все возможные тексты (тем более маленький корпус). Поэтому один из множителей в произведении будет нулевым, а значит и все произведение станет нулевым."
@@ -2827,7 +2897,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "6cfd6db8",
+   "id": "0f81315b",
    "metadata": {},
    "source": [
     "Для того, чтобы этого избежать можно поубавить строгости и предположить, что вероятность слова зависит только от предыдущего слова. Это предположение называется марковским (в честь математика Андрея Маркова). Такую модель еще можно назвать биграммной."
@@ -2835,7 +2905,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "2b17fa35",
+   "id": "e11afbfe",
    "metadata": {},
    "source": [
     "Чтобы расчитать вероятность с таким предположением, нам достаточно найти количество вхождений для каждого биграмма. А частоты отдельных слов у нас уже есть. "
@@ -2843,7 +2913,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "703d50a2",
+   "id": "3274a46b",
    "metadata": {},
    "source": [
     "Вероятность первого слово можно по идее считать просто как вероятность униграмма, но можно сделать небольшое добавление в нашу модель - поставить в начала каждого предложения технический токен начала предложения, а вероятность первого слова рассчитывать как вероятность биграма старт-первое слово поделить на частоту старта. Дальше мы будем генерировать текст с помощью языковой модели и это поможет нам генерировать более красивые предложения.\n",
@@ -2859,7 +2929,7 @@
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "9540460e",
+   "id": "8fc0ce2f",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2871,7 +2941,7 @@
   {
    "cell_type": "code",
    "execution_count": 185,
-   "id": "7de4c1c0",
+   "id": "6c1bda7b",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2881,7 +2951,7 @@
   {
    "cell_type": "code",
    "execution_count": 186,
-   "id": "cc86e70c",
+   "id": "bd295cda",
    "metadata": {},
    "outputs": [
     {
@@ -2911,7 +2981,7 @@
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "936b12c4",
+   "id": "0a23494d",
    "metadata": {},
    "outputs": [],
    "source": []
@@ -2919,7 +2989,7 @@
   {
    "cell_type": "code",
    "execution_count": 187,
-   "id": "ee368249",
+   "id": "c6de4d6e",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2933,7 +3003,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "7866ad41",
+   "id": "b5c11e16",
    "metadata": {},
    "source": [
     "Чтобы посчитать условную вероятность мы можем поделить количество вхождений на количество вхождений первого слова. Обновим нашу функцию"
@@ -2942,7 +3012,7 @@
   {
    "cell_type": "code",
    "execution_count": 188,
-   "id": "f8d639b3",
+   "id": "bfdfa77f",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -2960,7 +3030,7 @@
   },
   {
    "cell_type": "markdown",
-   "id": "e81006ba",
+   "id": "9023d8ca",
    "metadata": {},
    "source": [
     "Теперь предложение из моего ноутбука не является более вероятным, чем кусок новостного текста"
@@ -2969,7 +3039,7 @@
   {
    "cell_type": "code",
    "execution_count": 191,
-   "id": "b6ab1213",
+   "id": "2e40bf3b",
    "metadata": {},
    "outputs": [
     {
@@ -2991,8 +3061,8 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 194,
-   "id": "a7eb719d",
+   "execution_count": 300,
+   "id": "28b6c33c",
    "metadata": {},
    "outputs": [
     {
@@ -3001,20 +3071,20 @@
        "-72.18104148985773"
       ]
      },
-     "execution_count": 194,
+     "execution_count": 300,
      "metadata": {},
      "output_type": "execute_result"
     }
    ],
    "source": [
-    "phrase = \"Расчитаем вероятность встретить такой текст в каждом из корпусов\"\n",
+    "phrase = \"Рассчитаем вероятность встретить такой текст в каждом из корпусов\"\n",
     "np.log(compute_joint_proba_markov_assumption(phrase, unigrams, bigrams))"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "f912a23c",
+   "id": "c6efb6be",
    "metadata": {},
    "outputs": [],
    "source": []