diff --git a/PA/code/fyzzy rules.py b/PA/code/fyzzy rules.py
new file mode 100644
index 0000000..998f2f6
--- /dev/null
+++ b/PA/code/fyzzy rules.py	
@@ -0,0 +1,190 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.preprocessing import MinMaxScaler
+from skfuzzy import cmeans, defuzz
+from sklearn.linear_model import LinearRegression
+
+# Загрузка данных (пример с данными о температуре)
+url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-min-temperatures.csv"
+data = pd.read_csv(url, header=0, index_col=0, parse_dates=True)
+ts_data = data['Temp'].values.reshape(-1, 1)
+
+# Нормализация данных
+scaler = MinMaxScaler()
+scaled_data = scaler.fit_transform(ts_data).flatten()
+
+# Параметры нечеткой системы
+n_clusters = 3  # Количество нечетких множеств
+m = 2.0  # Параметр нечеткости (обычно между 1.5 и 3.0)
+max_iter = 100  # Максимальное число итераций
+error = 0.005  # Критерий останова
+
+# Применение нечеткой c-средней кластеризации
+cntr, u, u0, d, jm, p, fpc = cmeans(
+    data=scaled_data.reshape(1, -1),
+    c=n_clusters,
+    m=m,
+    error=error,
+    maxiter=max_iter
+)
+
+# Визуализация функций принадлежности
+x = np.linspace(0, 1, 100)
+plt.figure(figsize=(10, 6))
+for i in range(n_clusters):
+    membership = np.exp(-(x - cntr[i])**2 / (2 * 0.1**2))  # Гауссова функция принадлежности
+    plt.plot(x, membership, label=f'Кластер {i+1}')
+plt.title('Функции принадлежности нечетких множеств')
+plt.xlabel('Нормализованное значение температуры')
+plt.ylabel('Степень принадлежности')
+plt.legend()
+plt.show()
+
+
+# Функция для определения принадлежности к кластерам
+def get_cluster_membership(x, cntr):
+    distances = [np.abs(x - c) for c in cntr]
+    memberships = [1 / (1 + d ** 2) for d in distances]  # Используем обратное расстояние
+    return memberships / np.sum(memberships)  # Нормализация
+
+
+# Создание обучающего набора для правил
+window_size = 3  # Размер окна для временных паттернов
+X = []
+y = []
+
+for i in range(window_size, len(scaled_data)):
+    # Получаем окно данных
+    window = scaled_data[i - window_size:i]
+
+    # Вычисляем принадлежности для каждого элемента окна
+    memberships = np.array([get_cluster_membership(x, cntr) for x in window])
+
+    # Находим доминирующий кластер для каждого элемента
+    dominant_clusters = np.argmax(memberships, axis=1)
+
+    # Формируем правило и целевую переменную
+    X.append(dominant_clusters)
+    y.append(scaled_data[i])
+
+X = np.array(X)
+y = np.array(y)
+
+# Извлечение частых правил
+from collections import defaultdict
+
+rule_counts = defaultdict(int)
+rule_consequences = defaultdict(list)
+
+for pattern, consequence in zip(X, y):
+    #rule_key = tuple(pattern)
+    rule_key = tuple(tuple(row) for row in pattern)
+    rule_counts[rule_key] += 1
+    rule_consequences[rule_key].append(consequence)
+
+# Вывод наиболее частых правил
+print("Топ-5 наиболее частых правил:")
+sorted_rules = sorted(rule_counts.items(), key=lambda x: -x[1])[:5]
+for rule, count in sorted_rules:
+    avg_consequence = np.mean(rule_consequences[rule])
+    print(f"Если {rule} то y={avg_consequence:.3f} (встречается {count} раз)")
+
+
+class FuzzyTSKSystem:
+    def __init__(self, n_clusters, window_size, cntr):
+        self.n_clusters = n_clusters
+        self.window_size = window_size
+        self.cntr = cntr
+        self.rules = {}
+        self.rule_weights = {}
+
+    def add_rule(self, antecedent, consequent_func):
+        self.rules[antecedent] = consequent_func
+        self.rule_weights[antecedent] = 1.0  # Начальный вес правила
+
+    def predict(self, window):
+        # Вычисляем принадлежности для каждого элемента окна
+        memberships = np.array([get_cluster_membership(x, self.cntr) for x in window])
+
+        # Вычисляем активацию каждого правила
+        rule_activations = {}
+        total_activation = 0.0
+
+        for rule_antecedent in self.rules:
+            # Вычисляем степень соответствия окна правилу
+            activation = 1.0
+            for i in range(self.window_size):
+                cluster = rule_antecedent[i]
+                activation *= memberships[i, cluster]
+
+            rule_activations[rule_antecedent] = activation * self.rule_weights[rule_antecedent]
+            total_activation += rule_activations[rule_antecedent]
+
+        # Если ни одно правило не активировано, возвращаем среднее
+        if total_activation == 0:
+            return np.mean(window)
+
+        # Вычисляем взвешенный вывод
+        weighted_output = 0.0
+        for rule_antecedent, activation in rule_activations.items():
+            # Получаем вывод правила (линейная функция от входа)
+            consequent = self.rules[rule_antecedent](window)
+            weighted_output += activation * consequent
+
+        return weighted_output / total_activation
+
+
+# Создаем и обучаем нечеткую систему
+fuzzy_system = FuzzyTSKSystem(n_clusters, window_size, cntr)
+
+# Добавляем правила на основе данных
+for rule_antecedent in rule_counts:
+    # Для каждого правила создаем линейную модель
+    X_rule = []
+    y_rule = []
+
+    for i in range(len(X)):
+        if tuple(X[i]) == rule_antecedent:
+            X_rule.append(scaled_data[i - window_size:i])
+            y_rule.append(y[i])
+"""
+    if len(X_rule) > 0:
+        X_rule = np.array(X_rule)
+        y_rule = np.array(y_rule)
+
+        # Обучаем линейную регрессию для этого правила
+        model = LinearRegression()
+        model.fit(X_rule, y_rule)
+
+        # Добавляем правило в систему
+        fuzzy_system.add_rule(
+            rule_antecedent,
+            lambda x, m=model: m.predict([x])[0]
+        )
+"""
+
+# Прогнозирование на тестовых данных
+test_size = 100
+train_data = scaled_data[:-test_size]
+test_data = scaled_data[-test_size:]
+
+predictions = []
+for i in range(window_size, len(test_data)):
+    window = test_data[i - window_size:i]
+    pred = fuzzy_system.predict(window)
+    predictions.append(pred)
+
+# Визуализация результатов
+plt.figure(figsize=(12, 6))
+plt.plot(test_data[window_size:], label='Фактические значения')
+plt.plot(predictions, label='Прогноз нечеткой системы')
+plt.title('Сравнение фактических и прогнозируемых значений')
+plt.legend()
+plt.show()
+
+# Оценка качества прогноза
+from sklearn.metrics import mean_squared_error
+
+mse = mean_squared_error(test_data[window_size:], predictions)
+print(f"Среднеквадратичная ошибка (MSE): {mse:.5f}")
\ No newline at end of file
diff --git a/PA/code/fyzzy tendency.py b/PA/code/fyzzy tendency.py
new file mode 100644
index 0000000..99c376c
--- /dev/null
+++ b/PA/code/fyzzy tendency.py	
@@ -0,0 +1,86 @@
+import numpy as np
+import skfuzzy as fuzz
+import matplotlib.pyplot as plt
+
+# Генерируем синтетический временной ряд с тенденцией
+np.random.seed(42)
+time = np.arange(0, 50)
+trend = 0.5 * time + np.random.normal(0, 2, size=time.shape)
+plt.plot(time, trend, label='Данные временного ряда')
+plt.xlabel('Время')
+plt.ylabel('Значение')
+plt.title('Пример временного ряда')
+plt.legend()
+plt.show()
+# Определение универсальных множеств для текущих значений
+value_range = np.linspace(min(trend), max(trend), 100)
+
+# Нечеткие множества (термы): 'низкий', 'средний', 'высокий'
+low = fuzz.trimf(value_range, [min(trend), min(trend), np.median(trend)])
+medium = fuzz.trimf(value_range, [min(trend), np.median(trend), max(trend)])
+high = fuzz.trimf(value_range, [np.median(trend), max(trend), max(trend)])
+
+# Визуализация
+plt.figure()
+plt.plot(value_range, low, label='Низкий')
+plt.plot(value_range, medium, label='Средний')
+plt.plot(value_range, high, label='Высокий')
+plt.title('Нечеткие множества значений')
+plt.xlabel('Значение')
+plt.ylabel('Принадлежность')
+plt.legend()
+plt.show()
+
+
+def fuzzy_rule(value):
+    # Вычисляем принадлежности
+    low_level = fuzz.interp_membership(value_range, low, value)
+    medium_level = fuzz.interp_membership(value_range, medium, value)
+    high_level = fuzz.interp_membership(value_range, high, value)
+
+    # Определяем выводные множества для тенденции
+    # Для простоты, назначим вероятностные веса
+    decline_weight = low_level
+    stable_weight = medium_level
+    increase_weight = high_level
+
+    # Находим центр масс для каждого вывода
+    # Здесь можно применить более сложные методы
+    # Для примера используем простое взвешенное среднее
+    trend_centers = {'понижение': -1, 'стабилизация': 0, 'повышение': 1}
+    numerator = (decline_weight * trend_centers['понижение'] +
+                 stable_weight * trend_centers['стабилизация'] +
+                 increase_weight * trend_centers['повышение'])
+    denominator = decline_weight + stable_weight + increase_weight
+    if denominator == 0:
+        return 0
+    return numerator / denominator
+
+
+# Анализ последнего значения
+last_value = trend[-1]
+predicted_trend = fuzzy_rule(last_value)
+
+# Масштабируем прогноз
+# Предположим, что тенденция влияет на следующий уровень
+# Можно добавить более сложную модель
+next_value = last_value + predicted_trend  # простая модель
+print(f'Последнее значение: {last_value:.2f}')
+print(f'Прогнозируемое изменение: {predicted_trend:.2f}')
+print(f'Следующее значение: {next_value:.2f}')
+
+predictions = []
+current_value = trend[-1]
+for _ in range(10):  # прогноз на 10 шагов вперед
+    trend_estimate = fuzzy_rule(current_value)
+    current_value = current_value + trend_estimate
+    predictions.append(current_value)
+
+# Визуализация
+plt.plot(range(len(trend)), trend, label='Исходные данные')
+plt.plot(range(len(trend), len(trend) + len(predictions)), predictions, label='Прогноз')
+plt.xlabel('Время')
+plt.ylabel('Значение')
+plt.legend()
+plt.title('Прогнозирование с помощью нечеткой модели')
+plt.show()
\ No newline at end of file
diff --git a/PA/code/fyzzy.py b/PA/code/fyzzy.py
new file mode 100644
index 0000000..4f09503
--- /dev/null
+++ b/PA/code/fyzzy.py
@@ -0,0 +1,67 @@
+import numpy as np
+import skfuzzy as fuzz
+import matplotlib.pyplot as plt
+
+# Генерируем пример временного ряда с трендом и шумом
+np.random.seed(42)
+time = np.arange(0, 50)
+data = 0.5 * time + np.random.normal(0, 2, size=time.shape)
+plt.plot(time, data, label='Исходный ряд')
+plt.xlabel('Время')
+plt.ylabel('Значение')
+plt.legend()
+plt.show()
+
+
+# Предположим, что мы используем 1 задержку (предыдущий момент времени)
+# Создаем массив входных данных
+input_data = data[:-1]
+target_data = data[1:]
+
+# Определим диапазон для входных данных
+x = np.linspace(min(input_data), max(input_data), 100)
+
+# Создаем нечеткие множества для входных данных
+low = fuzz.trimf(x, [min(input_data), min(input_data), np.mean(input_data)])
+medium = fuzz.trimf(x, [np.min(input_data), np.mean(input_data), np.max(input_data)])
+high = fuzz.trimf(x, [np.mean(input_data), np.max(input_data), np.max(input_data)])
+
+# Визуализируем
+plt.figure()
+plt.plot(x, low, label='Низкий')
+plt.plot(x, medium, label='Средний')
+plt.plot(x, high, label='Высокий')
+plt.legend()
+plt.title('Функции принадлежности для входных данных')
+plt.show()
+
+def fuzzy_predict(prev_value, x, low, medium, high):
+    # Вычисляем степени принадлежности
+    mu_low = fuzz.interp_membership(x, low, prev_value)
+    mu_medium = fuzz.interp_membership(x, medium, prev_value)
+    mu_high = fuzz.interp_membership(x, high, prev_value)
+    
+    # Правила
+    # Предположим, что прогноз — взвешенное среднее
+    # Для простоты
+    forecast = (
+        mu_low * np.mean(target_data) +
+        mu_medium * np.mean(target_data) +
+        mu_high * np.mean(target_data)
+    ) / (mu_low + mu_medium + mu_high + 1e-6)  # избегаем деления на ноль
+    return forecast
+
+# Прогнозируем следующий ряд
+predicted = []
+for val in input_data:
+    pred = fuzzy_predict(val, x, low, medium, high)
+    predicted.append(pred)
+
+# Визуализация
+plt.plot(time[1:], target_data, label='Реальные данные')
+plt.plot(time[1:], predicted, label='Прогноз нечеткой системы')
+plt.xlabel('Время')
+plt.ylabel('Значение')
+plt.legend()
+plt.title('Прогнозирование с помощью нечеткой системы')
+plt.show()
\ No newline at end of file
diff --git a/PA/РџРђ 1 Process mining.pptx b/PA/РџРђ 1 Process mining.pptx
new file mode 100644
index 0000000..3c6f801
Binary files /dev/null and b/PA/РџРђ 1 Process mining.pptx differ
diff --git a/PA/ПА 2 хранение данных.pptx b/PA/ПА 2 хранение данных.pptx
new file mode 100644
index 0000000..37b0c94
Binary files /dev/null and b/PA/ПА 2 хранение данных.pptx differ
diff --git a/PA/ПА 3 управление и инструменты.pptx b/PA/ПА 3 управление и инструменты.pptx
new file mode 100644
index 0000000..e8f4768
Binary files /dev/null and b/PA/ПА 3 управление и инструменты.pptx differ
diff --git a/PA/ПА 4 мониторинг.pptx b/PA/ПА 4 мониторинг.pptx
new file mode 100644
index 0000000..a425bb3
Binary files /dev/null and b/PA/ПА 4 мониторинг.pptx differ
diff --git a/PA/ПА 5 извлечение.pptx b/PA/ПА 5 извлечение.pptx
new file mode 100644
index 0000000..cf0e0bd
Binary files /dev/null and b/PA/ПА 5 извлечение.pptx differ
diff --git a/PA/ПА 6 сглаживание.pptx b/PA/ПА 6 сглаживание.pptx
new file mode 100644
index 0000000..6917911
Binary files /dev/null and b/PA/ПА 6 сглаживание.pptx differ
diff --git a/PA/ПА 7 прогнозирование.pptx b/PA/ПА 7 прогнозирование.pptx
new file mode 100644
index 0000000..117d6df
Binary files /dev/null and b/PA/ПА 7 прогнозирование.pptx differ
diff --git a/PA/ПА 8 оценка качества.pptx b/PA/ПА 8 оценка качества.pptx
new file mode 100644
index 0000000..2a3db19
Binary files /dev/null and b/PA/ПА 8 оценка качества.pptx differ