diff --git a/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb b/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb
deleted file mode 100644
index 427980d..0000000
--- a/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb
+++ /dev/null
@@ -1,60 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "## Wielowarstwowe sieci neuronowe\n",
-    "\n",
-    "[Keras](https://keras.io/) to zaawansowany pakiet do tworzenia sieci neuronowych w języku Python.\n",
-    "Na komputerach wydziałowych powinien być zainstalowany.\n",
-    "Na własnych komputerach pod Linuxem można go zainstalować poleceniem: `sudo pip install keras`.\n",
-    "\n",
-    "**Uwaga:** pierwsze uruchomienie zazwyczaj trwa jakiś czas, ponieważ pod spodem model kompiluje się jako aplikacja w C++. \n",
-    "\n",
-    "#### 1. Iris dataset\n",
-    "\n",
-    "Korzystając z [oficjalnej dokumentacji](http://keras.io) oraz materiałów szkoleniowych znalezionych w internecie (np. [machinelearningmastery.com](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/)), zbuduj (co najmniej) dwuwarstwową sieć neuronową do klasyfkacji _Iris dataset_. Opisz stworzony model: architekturę sieci, jej rozmiar, zastosowane funkcje aktywacji, funkcję kosztu, wersję GD, metodę regularyzacji. Podaj wynik ewaluacji na zbiorze testowym.\n",
-    "\n",
-    "#### 2. MNIST\n",
-    "\n",
-    "Uruchom przykład `mnist_mlp.py` z [katalogu oficjalnych przykładów]( https://github.com/fchollet/keras/tree/master/examples) (warto ew. zmienić liczbę epok do 5). Posiłkując się dokumentacją, przeanalizuj kod i opisz:\n",
-    "\n",
-    "* Do jakiej postaci sprowadzane są dane `Y_train` i `Y_test`?\n",
-    "* Przedstaw wzór matematyczny na zastosowaną funkcję błędu.\n",
-    "* Jaka jest architektura sieci neuronowej? Ile ma warstw, jakie są rozmiary macierzy warstw? Czy można uzyskać dostęp do tych wag?\n",
-    "* Jakie funkcje aktywacji użyto? Podaj ich wzory.\n",
-    "* Czym jest `Dropout`? Czemu służy? Jakie znaczenie ma parametr?\n",
-    "\n",
-    "Zmodyfikuj model z przykładu `mnist_mlp.py` i wykonaj:\n",
-    "\n",
-    "* Usuń warstwy `Dropout`, jaki jest efekt?\n",
-    "* Stwórz 6-cio warstwowy model o rozmiarach warstw 2500, 2000, 1500, 1000, 500 oraz 10 bez `Dropout`, użyj wszędzie funkcji aktywacji `tanh` z wyjątkiem ostatniej warstwy, gdzie należy użyć `softmax`. Trenuj model przez 10 epok.\n",
-    "* Dodaj warstwy `Dropout`, porównaj jakość po 10 epokach, krótko opisz wnioski.\n",
-    "* Zamiast `RMSprop` użyj algorytm `Adagrad`, porównaj jakość, krótko opisz wnioski. "
-   ]
-  }
- ],
- "metadata": {
-  "hide_input": false,
-  "kernelspec": {
-   "display_name": "Python 3",
-   "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": "3.8.3"
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 4
-}