diff --git a/docs/Summary.org b/docs/Summary.org
index df12650..b83f1d5 100644
--- a/docs/Summary.org
+++ b/docs/Summary.org
@@ -75,15 +75,14 @@ def parse_data(source, action):
     return test_data, target_data
 #+end_src
 
-#+RESULTS:
 
 A continuación, mostraremos cada uno de los pasos que realizamos para obtener el /dataset/ final:
 
-*** Valores nulos:
+*** Valores nulos
 
 Nuestro /dataset/ contiene valores nulos, representados mediante un signo de interrogación (?). Optamos por evaluar 2 estrategias:
 
-1. Eliminar los valores nulos
+**** Eliminar los valores nulos
 
 #+BEGIN_SRC python
 df = read_csv(filepath_or_buffer="../data/mamografia.csv", na_values="?")
@@ -94,7 +93,6 @@ print("DataFrame sin preprocesamiento: ")
 print(processed_df.describe())
 #+END_SRC
 
-#+RESULTS:
 #+begin_example
 DataFrame sin preprocesamiento: 
           BI-RADS         Age      Margin     Density
@@ -120,7 +118,7 @@ max      6.000000   96.000000    5.000000    4.000000
 
 Observamos que el número de instancias disminuye considerablemente, hasta un máximo de 112, en el caso del /BI-RADS/. Aún así, los valores de la media y desviación estándar no se ven afectados de forma considerable.
 
-2. Imputar su valor con la media
+**** Imputar su valor con la media
 
 #+BEGIN_SRC python
 df = read_csv(filepath_or_buffer="../data/mamografia.csv", na_values="?")
@@ -131,7 +129,6 @@ print("DataFrame sin preprocesamiento: ")
 print(processed_df.describe())
 #+END_SRC
 
-#+RESULTS:
 #+begin_example
 DataFrame sin preprocesamiento: 
           BI-RADS         Age      Margin     Density
@@ -156,3 +153,53 @@ max      6.000000   96.000000    5.000000    4.000000
 #+end_example
 
 Esta alternativa nos permite mantener el número de instancias en todas las columnas, sin alterar la media ni la desviación típica.
+
+*** Valores no númericos
+
+La mayoría de algoritmos de aprendizaje automática trabaja con datos numéricos, desafortunadamente nuestro /dataset/ contiene dos columnas con datos descriptivos.
+
+Procedemos a convertirlos en valores numéricos mediante un /LabelEncoder/:
+
+#+begin_src python
+encoded_df = encode_columns(df=processed_df)
+print(encoded_df.head())
+#+end_src
+
+#+begin_example
+   BI-RADS   Age  Shape  Margin   Density  Severity
+0      5.0  67.0      1     5.0  3.000000         1
+1      4.0  43.0      4     1.0  2.910734         1
+2      5.0  58.0      0     5.0  3.000000         1
+3      4.0  28.0      4     1.0  3.000000         0
+4      5.0  74.0      4     5.0  2.910734         1
+#+end_example
+
+Vemos como las columnas *Shape* y *Severity* se componen ahora únicamente de valores numéricos.
+*** Separación de datos
+
+Como último paso, separamos la columna objetivo de los demás datos.
+
+#+begin_src python
+test_data, target_data = split_train_target(df=encoded_df)
+print("Datos de entrenamiento: ")
+print(test_data.head())
+print("Datos objetivo: ")
+print(target_data.head())
+#+end_src
+
+#+begin_example
+Datos de entrenamiento: 
+   BI-RADS   Age  Shape  Margin   Density
+0      5.0  67.0      1     5.0  3.000000
+1      4.0  43.0      4     1.0  2.910734
+2      5.0  58.0      0     5.0  3.000000
+3      4.0  28.0      4     1.0  3.000000
+4      5.0  74.0      4     5.0  2.910734
+Datos objetivo: 
+0    1
+1    1
+2    1
+3    0
+4    1
+Name: Severity, dtype: int64
+#+end_example
diff --git a/docs/Summary.pdf b/docs/Summary.pdf
index 8370335..9c22c93 100644
Binary files a/docs/Summary.pdf and b/docs/Summary.pdf differ