diff --git a/wyk/07_KNN.ipynb b/wyk/07_KNN.ipynb
index e6ffdf7..a34cb38 100644
--- a/wyk/07_KNN.ipynb
+++ b/wyk/07_KNN.ipynb
@@ -375,7 +375,7 @@
    "execution_count": 10,
    "metadata": {
     "slideshow": {
-     "slide_type": "fragment"
+     "slide_type": "skip"
     }
    },
    "outputs": [],
@@ -390,13 +390,22 @@
    "execution_count": 11,
    "metadata": {
     "slideshow": {
-     "slide_type": "subslide"
+     "slide_type": "skip"
     }
    },
    "outputs": [],
    "source": [
-    "# Algorytm k najbliższych sąsiadów\n",
+    "# Algorytm k najbliższych sąsiadów dla pojedynczej obserwacji\n",
     "def knn(X, Y, x_new, k, distance=euclidean_distance):\n",
+    "    \"\"\"Funkcja zwraca klasę najbliższego sąsiada dla pojedynczej obserwacji x_new\n",
+    "    obliczoną według algorytmu KNN\n",
+    "    \n",
+    "    Argumenty funkcji:\n",
+    "    X, Y - zbiór uczący\n",
+    "    x_new - obserwacja, dla której chcemy dokonać predykcji\n",
+    "    k - liczba sąsiadów\n",
+    "    distance - funkcja odległości\n",
+    "    \"\"\"\n",
     "    data = np.concatenate((X, Y), axis=1)\n",
     "    nearest = sorted(\n",
     "        data, key=lambda xy:distance(xy[0, :-1], x_new))[:k]\n",
@@ -409,7 +418,7 @@
    "execution_count": 12,
    "metadata": {
     "slideshow": {
-     "slide_type": "notes"
+     "slide_type": "skip"
     }
    },
    "outputs": [],
@@ -437,7 +446,7 @@
    "execution_count": 13,
    "metadata": {
     "slideshow": {
-     "slide_type": "notes"
+     "slide_type": "skip"
     }
    },
    "outputs": [],
diff --git a/wyk/09_Sieci_neuronowe.ipynb b/wyk/09_Sieci_neuronowe.ipynb
index 1955857..44ff15e 100644
--- a/wyk/09_Sieci_neuronowe.ipynb
+++ b/wyk/09_Sieci_neuronowe.ipynb
@@ -688,7 +688,7 @@
     "## Podsumowanie\n",
     "\n",
     "* W przypadku jednowarstowej sieci neuronowej wystarczy znać gradient funkcji kosztu.\n",
-    "* Wtedy liczymy tak samo jak w przypadku regresji liniowej, logistycznej, wieloklasowej logistycznej itp. (wymienione modele to szczególne przypadki jednowarstwowych sieci neuronowych(.\n",
+    "* Wtedy liczymy tak samo jak w przypadku regresji liniowej, logistycznej, wieloklasowej logistycznej itp. (wymienione modele to szczególne przypadki jednowarstwowych sieci neuronowych).\n",
     "* Regresja liniowa i binarna regresja logistyczna to jeden neuron.\n",
     "* Wieloklasowa regresja logistyczna to tyle neuronów, ile klas."
    ]