diff --git a/Podprojekt-CNN-Maksymilian-Kierski.md b/Podprojekt-CNN-Maksymilian-Kierski.md
index b73c6e7..49d42ec 100644
--- a/Podprojekt-CNN-Maksymilian-Kierski.md
+++ b/Podprojekt-CNN-Maksymilian-Kierski.md
@@ -35,7 +35,7 @@ for category in CATEGORIES:
 	  pass  
 random.shuffle(training_data)
 ```
-Tutaj nasze dane wejściowe są odpowiednio przetwarzane. Na początku zdjęcie jest z czytywane, oraz przetwarzane aby każdy pixel był w skali szarości 0 - 255 (ponieważ kolor w tym zadaniu według mnie, nie odgrywa ważnej roli). Następnie skalowany jest do mniejszych rozmiarów i w końcu jako macierz zadeklarowanych wymiarów trafia do tablicy ze swoją etykietą. Na końcu cała tablica jest przetasowywana, aby umożliwić modelowi lepszą naukę.
+Tutaj nasze dane wejściowe są odpowiednio przetwarzane. Na początku zdjęcie jest sczytywane, oraz przetwarzane aby każdy pixel był w skali szarości 0 - 255 (ponieważ kolor w tym zadaniu według mnie, nie odgrywa ważnej roli). Następnie skalowany jest do mniejszych rozmiarów i w końcu jako macierz zadeklarowanych wymiarów trafia do tablicy ze swoją etykietą. Na końcu cała tablica jest przetasowywana, aby umożliwić modelowi lepszą naukę.
 
 Teraz dane zostają podzielone na zestaw cech i zestaw etykiet, oraz zostają zapisane do plików za pomocą **pickle**.
 ```
@@ -52,7 +52,7 @@ y = pickle.load(pickle_in)
 
 ### Tworzenie modelu i proces jego nauki
 #### Wczytywanie danych potrzebnych do nauki modelu
-Na początku z czytywane są odpowiednio przygotowane dane (funkcja load_dataset)
+Na początku sczytywane są odpowiednio przygotowane dane (funkcja load_dataset)
 ```
 pickle_in = open(relative_path + 'SavedData/X.pickle', 'rb')  
 X = pickle.load(pickle_in)  
@@ -123,7 +123,7 @@ model.add(Conv2D(64, (3, 3)))
 model.add(Activation('relu'))  
 model.add(MaxPooling2D(pool_size=(2, 2)))
 ```
-Na koniec spłaszczam naszą trój wymiarową tablice, na macierz stosując funkcje Flatten(), oraz używam warstwę Dense z tylko jednym neuronem, który będzie naszym wynikiem. Funkcja aktywacji jest to oczywiście funkcja sigmoid ponieważ chcemy otrzymać wynik (0-1).
+Na koniec spłaszczam naszą trójwymiarową tablice, na macierz stosując funkcje Flatten(), oraz używam warstwę Dense z tylko jednym neuronem, który będzie naszym wynikiem. Funkcja aktywacji jest to oczywiście funkcja sigmoid ponieważ chcemy otrzymać wynik (0-1).
 
 ```
 model.add(Flatten())