diff --git a/README.md b/README.md
index 5a86df5..09a4ee1 100644
--- a/README.md
+++ b/README.md
@@ -132,6 +132,8 @@ Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems)
 | Loss function | Nuostolių funkcija |Tiklo funkcija (objective function) - apibrėžtas sprendžiamas uždavinys. Praktikoje gali būti įvairus, pavyzdžiui maksimizuoti tikimybinį pasiskirtymą (P1) ar daugelių tikslų uždavinį (P2). Tam praktikoje konstruojame nuostolių funkciją (loss function) - praktikoje dažnai minimizuojamą funkciją, kurią optimizuodami ieškome nežinomų modelių parametrų (pvz. P1 - neigiama log-tikėtinumo funkcija, P2 - tiesinė kelių uždavinių mažiausių kvadratų funkcija ir pan.). Nuostolių/kaštų funkcijos - vartojamos, kaip sinonimai priklausomai nuo konteksto.|                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Layers                                                     | Sluoksnis                                                   |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Leakage                                                    | Duomenų nutekėjimas                                         | Tai procesas, kai modelis testuojamas ne ant visiškai nematytų realistiškų duomenų (kas atitinka realius bandymus), bet ant tokių duomenų, kurių dalys pasitaikė ir vertinant modelio parametrus. Pavyzdys: pacientams daromos kelios tyrimų nuotraukos; eksperimento metu atsitiktinai atrenkamas testavimo duomenų rinkinys; Testavimas turi duomenų nutekėjimą, ir toks eksperimentas yra nevalidus; Nepriklausomas testavimo rinkinys reikalautų, jog nė vienas paciento stebėjimas esantis testavimo rinkinyje, nebūtų naudojamas vertinant modelio parametrus (apmokymo metu).  |
+
+| Lemmatization                                              | Pagrindinės žodžio formos nustatymas                        |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Long short-term memory (LSTM)                              | Ilgos trumpalaikės atminties modelis                        |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Machine learning                                           | Mašininis mokymas                                           |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Markov decision process                                    | Markovo sprendimo priėmimo procesai                         |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
@@ -248,6 +250,7 @@ Jei tyrinėjantis algoritmas suteikia atlygį naujiems (prieštai nebandytiems)
 |Subword tokenization | Teksto skaidymas į teksto vienetus procesas teksto vienetams priskiriant unikalias teksto dalis.||
 | Sum pooling layer                                          | Telkimo sumuojant sluoksnis                                 |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Supervised learning                                        | Prižiūrimas mokymas                                         |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
+| Stemming                                                   | Žodžio kamieno išskyrimas                                   |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Swish activation function                                  | Švituojanti aktivacijos funkcija                            | $$\sigma(x) =  \frac{x}{1 + e^{-x}} = x \sigma(x)$$ žr. Pasvertas sigmoidinis tiesinis vienetas                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Threshold                                                  | Slenkstinė vertė                                            |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |
 | Template                                                   | Šablonas                                                    |                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                       |