diff --git a/README.md b/README.md
index ad4ef50..7734778 100644
--- a/README.md
+++ b/README.md
@@ -40,7 +40,6 @@
     - [Фундаментальная теория](#фундаментальная-теория)
     - [Знакомство с Greenplum](#знакомство-с-greenplum)
   - [Курсовая работа](#курсовая-работа)
-    - [Стенд в Docker Compose](#стенд-в-docker-compose)
   - [Понятие сложности алгоритмов](#понятие-сложности-алгоритмов)
 - [Карьера и менторство](#карьера-и-менторство)
   - [Менторство по этому роадмапу](#менторство-по-этому-роадмапу)
@@ -308,40 +307,42 @@ Apache Airflow — инструмент для оркестрации ETL-про
       - Зачем: Это объясняет, почему Greenplum устроен именно так. Без этого вы будете пытаться работать с ним как с обычным Postgres.
 
 ### Знакомство с Greenplum
-Теперь, понимая теорию, смотрим, как это реализовано в конкретном инструменте.- Простое введение: [Greenplum | Что это такое и как оно работает? - Youtube](https://www.youtube.com/watch?v=rLG9Z_HcKPY)
+Теперь, понимая теорию, смотрим, как это реализовано в конкретном инструменте.
+
+- Простое введение: [Greenplum | Что это такое и как оно работает? - Youtube](https://www.youtube.com/watch?v=rLG9Z_HcKPY)
 - Оно же, но текстом: https://halltape.github.io/HalltapeRoadmapDE/GREENPLUM/
 - [Визуализатор распределения Greenplum](https://gpskew.rzvde.pro/)
-- Бесплатный, но большой учебный курс от Yandex: https://yandex.cloud/ru/training/greenplum
-- [Учебный курс по Greenplum от datafinder](https://datafinder.ru/products/uchebnyy-kurs-po-greenplum) — взять только отдельные главы.
 
-Практика: 
-- [DE Starter Kit — Airflow + Greenplum + CSV](https://github.com/dementev-dev/airflow-greenplum)
+**Курс Yandex по Greenplum** — основной учебный курс, рекомендуется пройти целиком:
+- [Бесплатный курс Yandex Cloud по Greenplum](https://yandex.cloud/ru/training/greenplum)
+- Практику по курсу удобно делать на стенде [airflow-dwh-gp-lab](https://github.com/dementev-dev/airflow-greenplum) — `make up` поднимает рабочий Greenplum с PXF, не нужен облачный кластер.
+- Стенд покрывает основные темы курса: типы таблиц (heap / appendonly), политики дистрибуции, сжатие, PXF, анализ планов выполнения (`EXPLAIN`).
+- Единственное ограничение: cloud-специфичные темы (тема 2 курса — развёртывание в Yandex Cloud) на локальном стенде не покрыты.
 
-Сложные варианты с виртуалками — только если менти сильно захочет, в базовый путь не включаем.
+Дополнительно:
+- [Учебный курс по Greenplum от datafinder](https://datafinder.ru/products/uchebnyy-kurs-po-greenplum) — отдельные главы для углубления.
 
 **Когда блок Greenplum считаем пройденным:**
 - вы понимаете, как данные распределяются по сегментам, что такое skew и как его увидеть;
-- на базе учебного стенда (например, DE Starter Kit) можете загружать и выгружать данные в Greenplum, выполнять запросы и разбирать планы выполнения (`EXPLAIN`);
+- на базе стенда `airflow-dwh-gp-lab` можете загружать и выгружать данные в Greenplum, выполнять запросы и разбирать планы выполнения (`EXPLAIN`);
 - можете объяснить, в чём практическая разница между MPP-хранилищем и одиночным Postgres на уровне типичных задач DE и собеседований.
 
 ## Курсовая работа
-К финалу роадмапа мы собираем небольшую end-to-end курсовую работу — свой первый «боеподобный» data-проект.
+Курсовая работа — важный майлстоун роадмапа: ваш первый end-to-end data-проект. После неё у вас есть ключевые технические навыки для старта карьеры в Data Engineering.
 
-### Стенд в Docker Compose
-- Apache Airflow — оркестратор;
-    - источник данных — TelecomX (или аналогичный открытый датасет);
-- Greenplum — основное хранилище;
-- вспомогательный Postgres (по желанию);
-- ETL-скрипты и DAG'и;
-- исходные коды всего — в отдельном Git-репозитории.
+Курсовая выполняется на том же стенде [airflow-dwh-gp-lab](https://github.com/dementev-dev/airflow-greenplum), который вы уже использовали для практики по Greenplum.
 
-В качестве альтернативы файловому источнику можно использовать генератор данных для демо-базы `bookings` от Postgres Pro: https://github.com/postgrespro/demodb.  
-Его удобнее всего встроить в стенд DE Starter Kit (Airflow + Greenplum) как отдельный сервис Postgres с регулярно генерируемыми данными и уже оттуда забирать их в Greenplum (в том числе через PXF, если хочется усложнить архитектуру).
+**Что внутри:**
+- Стенд содержит DWH с реализованным эталонным срезом (STG → ODS → DDS → DM) — это ваш образец для подражания.
+- Задача — довести DWH до полного, реализовав недостающие загрузки по аналогии с эталоном.
+- Есть готовый план от аналитика (ТЗ с маппингами и бизнес-правилами) — не нужно придумывать, что делать.
+- Встроенная автоматическая проверка реализации поможет убедиться в корректности до проверки ментором.
+- Ветка `main` — рабочая (с заготовками для реализации), ветка `solution` — эталон для сверки.
 
 **Когда блок курсовой работы считаем пройденным:**
-- у вас есть отдельный репозиторий с docker-compose, DAG'ами Airflow, SQL-скриптами и README по проекту;
-- стенд поднимается локально, DAG'и успешно прогоняются на тестовых данных от загрузки сырья до витрин;
-- вы можете на собеседовании за 5–10 минут рассказать архитектуру курсового проекта, его цели и показать ключевые части кода.
+- все загрузки реализованы, DWH заполняется полностью (STG → ODS → DDS → DM);
+- автоматическая проверка (валидационный DAG) проходит без ошибок;
+- вы можете на собеседовании за 5–10 минут рассказать архитектуру проекта, его цели и показать ключевые части кода.
 
 ## Понятие сложности алгоритмов
 В Data Engineering редко требуется писать сложные алгоритмы, но важно понимать, как оценивать эффективность кода: