diff --git a/wines_train.py b/wines_train.py
new file mode 100644
index 0000000..dc6516e
--- /dev/null
+++ b/wines_train.py
@@ -0,0 +1,58 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+import tensorflow as tf
+import numpy as np
+
+# Wczytanie danych z pliku CSV
+data = pd.read_csv('winemag-data_first150k.csv')
+
+# Podział danych na zbiory treningowe, deweloperskie (validation) i testowe
+train_data, temp_data = train_test_split(data, test_size=0.2, random_state=42)
+dev_data, test_data = train_test_split(temp_data, test_size=0.5, random_state=42)
+
+# Zapisanie danych do osobnych plików CSV
+train_data.to_csv('train_data.csv', index=False)
+dev_data.to_csv('dev_data.csv', index=False)
+test_data.to_csv('test_data.csv', index=False)
+
+
+
+# # Wczytanie danych treningowych
+# train_data = pd.read_csv('train_data.csv')
+# dev_data = pd.read_csv('dev_data.csv')
+
+# Przygotowanie danych wejściowych i wyjściowych dla treningu
+train_input_data = train_data[['price', 'points']]  # Wejście modelu (kolumny 'price' i 'points')
+train_output_data = train_data['price']  # Oczekiwane wyjście modelu (kolumna 'price')
+
+# Przygotowanie danych wejściowych dla predykcji
+dev_input_data = dev_data[['price', 'points']]  # Wejście modelu dla predykcji (kolumny 'price' i 'points')
+
+# Konwersja danych do numpy arrays
+train_input_array = train_input_data.values
+train_output_array = train_output_data.values
+dev_input_array = dev_input_data.values
+
+# Normalizacja danych wejściowych
+input_mean = np.mean(train_input_array, axis=0)
+input_std = np.std(train_input_array, axis=0)
+train_input_array = (train_input_array - input_mean) / input_std
+dev_input_array = (dev_input_array - input_mean) / input_std
+
+# Utworzenie modelu przy użyciu TensorFlow
+input_size = train_input_array.shape[1]
+output_size = 1  # Jeden wymiar dla wyjścia modelu (kolumna 'price')
+
+model = tf.keras.models.Sequential([
+    tf.keras.layers.Dense(64, activation='relu', input_shape=(input_size,)),
+    tf.keras.layers.Dense(64, activation='relu'),
+    tf.keras.layers.Dense(output_size)
+])
+
+# Kompilacja modelu
+model.compile(optimizer='adam', loss='mse')
+
+# Uczenie modelu
+model.fit(train_input_array, train_output_array, epochs=100, batch_size=32, verbose=1)
+
+model.save('trained_model_tf.h5')