diff --git a/wyk/12_Metody_optymalizacji.ipynb b/wyk/12_Metody_optymalizacji.ipynb
index 1b2666e..b752824 100644
--- a/wyk/12_Metody_optymalizacji.ipynb
+++ b/wyk/12_Metody_optymalizacji.ipynb
@@ -1,7 +1,6 @@
 {
  "cells": [
   {
-   "attachments": {},
    "cell_type": "markdown",
    "metadata": {
     "slideshow": {
@@ -14,7 +13,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "metadata": {
     "slideshow": {
@@ -228,7 +226,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "metadata": {
     "slideshow": {
@@ -371,156 +368,6 @@
    "source": [
     "<img src=\"saddle_point_evaluation_optimizers.gif\" style=\"margin: auto;\" width=\"60%\" />"
    ]
-  },
-  {
-   "attachments": {},
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "slide"
-    }
-   },
-   "source": [
-    "## 12.3. Metody zbiorcze"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "subslide"
-    }
-   },
-   "source": [
-    " * **Metody zbiorcze** (*ensemble methods*) używają połączonych sił wielu modeli uczenia maszynowego w celu uzyskania lepszej skuteczności niż mogłaby być osiągnięta przez każdy z tych modeli z osobna."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "fragment"
-    }
-   },
-   "source": [
-    " * Na metodę zbiorczą składa się:\n",
-    "   * dobór modeli\n",
-    "   * sposób agregacji wyników"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "fragment"
-    }
-   },
-   "source": [
-    " * Warto zastosować randomizację, czyli przetasować zbiór uczący przed trenowaniem każdego modelu."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "slide"
-    }
-   },
-   "source": [
-    "### Uśrednianie prawdopodobieństw"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "fragment"
-    }
-   },
-   "source": [
-    "#### Przykład\n",
-    "\n",
-    "Mamy 3 modele, które dla klas $c=1, 2, 3, 4, 5$ zwróciły prawdopodobieństwa:\n",
-    "\n",
-    "* $M_1$: [0.10, 0.40, **0.50**, 0.00, 0.00]\n",
-    "* $M_2$: [0.10, **0.60**, 0.20, 0.00, 0.10]\n",
-    "* $M_3$: [0.10, 0.30, **0.40**, 0.00, 0.20]\n",
-    "\n",
-    "Która klasa zostanie wybrana według średnich prawdopodobieństw dla każdej klasy?"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "subslide"
-    }
-   },
-   "source": [
-    "Średnie prawdopodobieństwo: [0.10, **0.43**, 0.36, 0.00, 0.10]\n",
-    "\n",
-    "Została wybrana klasa $c = 2$"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "slide"
-    }
-   },
-   "source": [
-    "### Głosowanie klas"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "fragment"
-    }
-   },
-   "source": [
-    "#### Przykład\n",
-    "\n",
-    "Mamy 3 modele, które dla klas $c=1, 2, 3, 4, 5$ zwróciły prawdopodobieństwa:\n",
-    "\n",
-    "* $M_1$: [0.10, 0.40, **0.50**, 0.00, 0.00]\n",
-    "* $M_2$: [0.10, **0.60**, 0.20, 0.00, 0.10]\n",
-    "* $M_3$: [0.10, 0.30, **0.40**, 0.00, 0.20]\n",
-    "\n",
-    "Która klasa zostanie wybrana według głosowania?"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "subslide"
-    }
-   },
-   "source": [
-    "Liczba głosów: [0, 1, **2**, 0, 0]\n",
-    "\n",
-    "Została wybrana klasa $c = 3$"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "slideshow": {
-     "slide_type": "slide"
-    }
-   },
-   "source": [
-    "### Inne metody zbiorcze\n",
-    "\n",
-    " * Bagging\n",
-    " * Boostng\n",
-    " * Stacking\n",
-    " \n",
-    "https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205"
-   ]
   }
  ],
  "metadata": {
diff --git a/wyk/12a_Metody_zbiorcze.ipynb b/wyk/12a_Metody_zbiorcze.ipynb
new file mode 100644
index 0000000..2948606
--- /dev/null
+++ b/wyk/12a_Metody_zbiorcze.ipynb
@@ -0,0 +1,180 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
+   "source": [
+    "### Uczenie maszynowe\n",
+    "# 12a. Metody zbiorcze"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "subslide"
+    }
+   },
+   "source": [
+    " * **Metody zbiorcze** (*ensemble methods*) używają połączonych sił wielu modeli uczenia maszynowego w celu uzyskania lepszej skuteczności niż mogłaby być osiągnięta przez każdy z tych modeli z osobna."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "fragment"
+    }
+   },
+   "source": [
+    " * Na metodę zbiorczą składa się:\n",
+    "   * dobór modeli\n",
+    "   * sposób agregacji wyników"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "fragment"
+    }
+   },
+   "source": [
+    " * Warto zastosować randomizację, czyli przetasować zbiór uczący przed trenowaniem każdego modelu."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
+   "source": [
+    "### Uśrednianie prawdopodobieństw"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "fragment"
+    }
+   },
+   "source": [
+    "#### Przykład\n",
+    "\n",
+    "Mamy 3 modele, które dla klas $c=1, 2, 3, 4, 5$ zwróciły prawdopodobieństwa:\n",
+    "\n",
+    "* $M_1$: [0.10, 0.40, **0.50**, 0.00, 0.00]\n",
+    "* $M_2$: [0.10, **0.60**, 0.20, 0.00, 0.10]\n",
+    "* $M_3$: [0.10, 0.30, **0.40**, 0.00, 0.20]\n",
+    "\n",
+    "Która klasa zostanie wybrana według średnich prawdopodobieństw dla każdej klasy?"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "subslide"
+    }
+   },
+   "source": [
+    "Średnie prawdopodobieństwo: [0.10, **0.43**, 0.36, 0.00, 0.10]\n",
+    "\n",
+    "Została wybrana klasa $c = 2$"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
+   "source": [
+    "### Głosowanie klas"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "fragment"
+    }
+   },
+   "source": [
+    "#### Przykład\n",
+    "\n",
+    "Mamy 3 modele, które dla klas $c=1, 2, 3, 4, 5$ zwróciły prawdopodobieństwa:\n",
+    "\n",
+    "* $M_1$: [0.10, 0.40, **0.50**, 0.00, 0.00]\n",
+    "* $M_2$: [0.10, **0.60**, 0.20, 0.00, 0.10]\n",
+    "* $M_3$: [0.10, 0.30, **0.40**, 0.00, 0.20]\n",
+    "\n",
+    "Która klasa zostanie wybrana według głosowania?"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "subslide"
+    }
+   },
+   "source": [
+    "Liczba głosów: [0, 1, **2**, 0, 0]\n",
+    "\n",
+    "Została wybrana klasa $c = 3$"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "slide"
+    }
+   },
+   "source": [
+    "### Inne metody zbiorcze\n",
+    "\n",
+    " * Bagging\n",
+    " * Boostng\n",
+    " * Stacking\n",
+    " \n",
+    "https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205"
+   ]
+  }
+ ],
+ "metadata": {
+  "celltoolbar": "Slideshow",
+  "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": "3.10.6"
+  },
+  "livereveal": {
+   "start_slideshow_at": "selected",
+   "theme": "white"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}