diff --git a/Task 2/Assignment_2_ru.pdf b/Task 2/Assignment_2_ru.pdf
index c7c99ac..9baa109 100644
Binary files a/Task 2/Assignment_2_ru.pdf and b/Task 2/Assignment_2_ru.pdf differ
diff --git a/Task 2/tex/Assignment_2_ru.tex b/Task 2/tex/Assignment_2_ru.tex
index 4ed3baf..c30e746 100644
--- a/Task 2/tex/Assignment_2_ru.tex	
+++ b/Task 2/tex/Assignment_2_ru.tex	
@@ -72,7 +72,7 @@ For the case (b), construct both full and reduced SVD decomposition via \path{np
 
 \item (10) В этом упражнении мы познакомимся с 
 тремя основными алгоритмами вычисления сингулярного разложения, доступными в Python: \path{numpy.linalg.svd}, \path{scipy.sparse.linalg.svds} и \path{sklearn.utils.extmath.randomized_svd}.
-
+%
 \begin{itemize}
     \item Создайте матрицу $A$ размера $n\times n \ (n=2000)$ со случайными элементами из стандартного нормального распределения.
     
@@ -133,9 +133,9 @@ $$
     A = digits.data
     y = digits.target
 \end{lstlisting}
-
-Каждая строка массива \path{A} состоит из 64 чисел с плавающей точкой, которые задают черно-белое изображение $8 \times 8$. Это изображение цифры. Сами цифры (метки данных) указаны в массиве \path{y}.
-
+%
+Каждая строка массива \path{A} состоит из 64 чисел с плавающей точкой, которые задают черно-белое изображение $8 \times 8$. Это изображение цифры. Сама цифра (метка данных) указана в массиве \path{y}.
+%
 \begin{itemize}
     \item Изучите датасет. Постройте изображения нескольких цифр, например, 0, 3, 7