diff --git a/labs06/README.md b/labs06/README.md
new file mode 100644
index 0000000..e35b68f
--- /dev/null
+++ b/labs06/README.md
@@ -0,0 +1,18 @@
+## Zadania
+
+** zad. 0 **
+Sprawdź, czy masz zainstalowany pakiet ``pandas``. Jeżeli nie, zainstaluj go.
+
+** zad. 2 (domowe) **
+Jest to zadanie złożone, składające się z kilku części. Całość będzie opierać się o dane zawarte w pliku *mieszkania.csv* i dotyczą cen mieszkań w Poznaniu kilka lat temu.
+ 1, Otwórz plik ``task02.py``, który zawiera szkielet kodu, który będziemy rozwijać w tym zadaniu.
+ 1. Napisz funkcje, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*. Jeżeli wszystko zostało zrobione poprawnie, powinno się wyśtwietlić 5 pierwszych wierszy.
+ 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach. Funkcji powinna zwrócić liczbę całkowitą.
+ 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań. Wzrócony obiekt typu ``DataFrame``.
+ 1. Napisz funkcje ``find_borough(desc)``, która przyjmuje 1 argument typu *string* i zwróci jedną z dzielnic zdefiniowaną w liście ``dzielnice``. Funkcja ma zwrócić pierwszą (wzgledem kolejności) nazwę dzielnicy, która jest zawarta w ``desc``. Jeżeli żadna nazwa nie została odnaleziona, zwróć *Inne*.
+ 1. Dodaj kolumnę ``Borough``, która będzie zawierać informacje o dzielnicach i powstanie z kolumny ``Localization``. Wykorzystaj do tego funkcję ``find_borough``.
+ 1. Uzupełnił funkcje ``write_plot``, która zapisze do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
+ 1. Napisz funkcje ``mean_price``, która zwróci średnią cenę mieszkania ``room_numer``-pokojowego.
+ 1. Uzupełnij funkcje ``find_13``, która zwróci listę dzielnic, które zawierają ofertę mieszkanie na 13 piętrze.
+ 1. Napisz funkcje ``find_best_flats``, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze.
+ 1. *(dodatkowe)*: Korzystając z pakietu *sklearn* zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
diff --git a/labs06/task02.py b/labs06/task02.py
new file mode 100755
index 0000000..9d96016
--- /dev/null
+++ b/labs06/task02.py
@@ -0,0 +1,54 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+
+def wczytaj_dane():
+    pass
+
+def most_common_room_number(dane):
+    pass
+
+def cheapest_flats(dane, n):
+    pass
+
+def find_borough(desc):
+    dzielnice = ['Stare Miasto',
+                 'Wilda',
+                 'Jeżyce',
+                 'Rataje',
+                 'Piątkowo',
+                 'Winogrady',
+                 'Miłostowo',
+                 'Dębiec']
+    pass
+
+
+def add_borough(dane):
+    pass
+
+def write_plot(dane, filename):
+    pass
+
+def mean_price(dane, room_number):
+    pass
+
+def find_13(dane):
+    pass
+
+def find_best_flats(dane):
+    pass
+
+def main():
+    dane = wczytaj_dane()
+    print(dane[:5])
+
+    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
+          .format(most_common_room_number(dane)))
+
+    print("{} to najłądniejsza dzielnica w Poznaniu."
+          .format(find_borough("Grunwald i Jeżyce"))))
+
+    print("Średnia cena mieszkania 3-pokojowego, to: {}"
+          .format(mean_price(dane, 3)))
+
+if __name__ == "__main__":
+    main()