diff --git a/lab/lab_13-14.ipynb b/lab/lab_13-14.ipynb
deleted file mode 100644
index 740d7d9..0000000
--- a/lab/lab_13-14.ipynb
+++ /dev/null
@@ -1,227 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "markdown",
-   "id": "ordered-wrestling",
-   "metadata": {},
-   "source": [
-    "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
-    "<div class=\"alert alert-block alert-info\">\n",
-    "<h1> Komputerowe wspomaganie tłumaczenia </h1>\n",
-    "<h2> 13,14. <i>Korekta pisowni</i> [laboratoria]</h2> \n",
-    "<h3>Rafał Jaworski (2021)</h3>\n",
-    "</div>\n",
-    "\n",
-    "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "featured-afghanistan",
-   "metadata": {},
-   "source": [
-    "Współczesne programy typu CAT nie mogą obyć się bez korektora pisowni. Na bieżąco kontrolują one pisownię wyrazów po stronie docelowej, czyli tam, gdzie tłumacz wpisuje tłumaczenie. Jest to niezwykle istotne w sytuacji, gdy język docelowy nie jest dla tłumacza językiem ojczystym. Co więcej, badania wykazują, iż korekta pisowni wydatnie zmniejsza liczbę błędów w każdych scenariuszach."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "seventh-genre",
-   "metadata": {},
-   "source": [
-    "Co poprawia korekta pisowni? Słowa. Tylko lub aż słowa. Program dokonujący korekty pisowni przegląda tekst słowo po słowie i sprawdza, czy należy ono do słownika. Jeśli nie, sygnalizowany jest błąd oraz, jeśli to możliwe, podawane sugestie poprawy. Co istotne, korektor pisowni nie zajmuje się szeregiem błędów, które mieszczą się w dziedzinie korekty gramatycznej, w tym:\n",
-    "* interpunkcją\n",
-    "* powtórzeniami wyrazów\n",
-    "* stylistyką."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "sticky-society",
-   "metadata": {},
-   "source": [
-    "Aby zaimplementować korektor pisowni bez wątpienia potrzebny jest słownik. Skorzystajmy ze słownika, który znajdziemy w folderze data, pochodzącego z narzędzia Hunspell. Jest on spakowany - użyjmy techniki czytania z archiwum zip bez rozpakowywania. Poniższy kod wypisze fragment ze środka słownika."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 3,
-   "id": "familiar-terrace",
-   "metadata": {
-    "scrolled": true
-   },
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "kalecząc\n",
-      "kaledonidy\n",
-      "kaledoński\n",
-      "kalefaktor\n",
-      "kalejdofon\n",
-      "kalejdoskop\n",
-      "kalejdoskopowość\n",
-      "kalejdoskopowy\n",
-      "kaleka\n",
-      "kaleki\n",
-      "kalema\n",
-      "kalendarium\n",
-      "kalendarz\n",
-      "kalendarzowy\n",
-      "kalendarzyk\n",
-      "kalendy\n",
-      "kalenica\n",
-      "kalenicowy\n",
-      "kalepin\n",
-      "kalesonki\n",
-      "kalesony\n"
-     ]
-    }
-   ],
-   "source": [
-    "from zipfile import ZipFile\n",
-    "\n",
-    "with ZipFile('data/hunspell_pl.zip') as zipped_dictionary:\n",
-    "    with zipped_dictionary.open('hunspell_pl.txt') as dictionary_file:\n",
-    "        count = 0\n",
-    "        for line_bytes in dictionary_file:\n",
-    "            count += 1\n",
-    "            if count >= 100000 and count <= 100020:\n",
-    "                line = line_bytes.decode('utf-8')\n",
-    "                print(line.rstrip())"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "dominant-insurance",
-   "metadata": {},
-   "source": [
-    "Miejmy na uwadze, że powyższy słownik zawiera tylko formy podstawowe słowa, np. zawiera słowo \"kalendarz\", ale nie zawiera \"kalendarze\", \"kalendarza\", \"kalendarzy\" itp. "
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "single-brighton",
-   "metadata": {},
-   "source": [
-    "Algorytm korekty pisowni na podstawie słownika powinien działać według następujących kroków:\n",
-    "1. Wczytanie słownika do zbioru (set)\n",
-    "2. Podział tekstu do korekty na słowa (podział po spacji)\n",
-    "3. Dla każdego słowa wypisać, czy jest ono poprawne (znajduje się w słowniku) czy nie."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "needed-watson",
-   "metadata": {},
-   "source": [
-    "### Ćwiczenie 1: Zaimplementuj podstawowy algorytm korekty pisowni według powyższych wytycznych."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "economic-southeast",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def correct_text(text):\n",
-    "    return []"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "endless-slide",
-   "metadata": {},
-   "source": [
-    "To jednak oczywiście nie wszystko. Do tej pory mamy funkcjonalność sygnalizowania słów błędnych, ale każdy dobry korektor pisowni potrafi podać sugestie poprawek. W tym celu musimy stawić czoła następującemu problemowi - wygenerowanie listy słów podobnych do danego słowa błędnego, które znajdują się w słowniku."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "adult-freight",
-   "metadata": {},
-   "source": [
-    "W pierwszej kolejności musimy zdefiniować podobieństwo między wyrazami. Posłuży do tego dobrze nam znana odległość Levenshteina - wyrazy podobne to takie, dla których dystans Levenshteina jest niewielki (np. równy 1 lub 2). Teraz brakuje tylko algorytmu wyszukiwania wyrazów w danym słowniku, które znajdują się niedaleko (w sensie Levenshteina) danego błędnego słowa."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "everyday-things",
-   "metadata": {},
-   "source": [
-    "Rozważmy następujący algorytm: dla danego słownika $D$ i błędnego słowa $w \\notin D$:\n",
-    "1. Wygeneruj zbiór $L_1(w)$ wszystkich słów, których odległość Levenshteina od $w$ wynosi 1.\n",
-    "2. Wyznacz zbiór $S_1(w)=L_1(w) \\cap D$\n",
-    "3. Wyznacz zbiór $L_2(w)=\\bigcup_{v \\in L_1(w)} L_1(v)$\n",
-    "4. Wyznacz zbiór $S_2(w)=L_2(w) \\cap D$\n",
-    "5. Zwróć jako listę sugestii: $S_1 \\cup S_2$"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "industrial-convert",
-   "metadata": {},
-   "source": [
-    "### Ćwiczenie 2: Napisz funkcję do generowania zbioru $L_1(w)$ - wszystkich słów znajdujących się w odległości Levenshteina 1 od danego słowa w."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 1,
-   "id": "built-sally",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def L1(w):\n",
-    "    return []"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "wireless-uncle",
-   "metadata": {},
-   "source": [
-    "### Ćwiczenie 3: Napisz funkcję do generowania sugestii poprawek dla danego słowa według opisanego wcześniej algorytmu."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 2,
-   "id": "coordinated-cooperation",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def generate_suggestions(w):\n",
-    "    return []"
-   ]
-  }
- ],
- "metadata": {
-  "author": "Rafał Jaworski",
-  "email": "rjawor@amu.edu.pl",
-  "kernelspec": {
-   "display_name": "Python 3",
-   "language": "python",
-   "name": "python3"
-  },
-  "lang": "pl",
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.8.10"
-  },
-  "subtitle": "13,14. Korekta pisowni",
-  "title": "Komputerowe wspomaganie tłumaczenia",
-  "year": "2021"
- },
- "nbformat": 4,
- "nbformat_minor": 5
-}