diff --git a/labworks/LW2/LW2_variant2.md b/labworks/LW2/LW2_variant2.md
index e69de29..2f9bb77 100644
--- a/labworks/LW2/LW2_variant2.md
+++ b/labworks/LW2/LW2_variant2.md
@@ -0,0 +1,577 @@
+# Лабораторная работа №2: Обнаружение аномалий с помощью автокодировщиков
+**Аникеев А.А; Чагин С.А. — А-02-22**
+## Вариант 2 (номер бригады k=5) - данные WBC
+
+### Цель работы
+
+Получить практические навыки создания, обучения и применения искусственных нейронных сетей типа автокодировщик. 
+Исследовать влияние архитектуры автокодировщика и количества эпох обучения на области в пространстве признаков,
+распознаваемые автокодировщиком после обучения. Научиться оценивать качество обучения автокодировщика на основе
+ошибки реконструкции и новых метрик EDCA. Научиться решать актуальную задачу обнаружения аномалий в данных с
+помощью автокодировщика как одноклассового классификатора.
+
+### Определение варианта
+
+- Номер бригады: k = 5
+- N = k mod 3 = 5 mod 3 = 2
+- Вариант 2 => данные **WBC**
+
+### Подготовка среды
+
+```python
+import os
+os.chdir('/content/drive/MyDrive/Colab Notebooks')
+```
+
+```python
+from google.colab import drive
+drive.mount('/content/drive')
+import os
+work_dir = '/content/drive/MyDrive/Colab Notebooks/is_lab2'
+os.makedirs(work_dir, exist_ok=True)
+os.chdir(work_dir)
+os.makedirs('out', exist_ok=True)
+dataset_name = 'WBC'
+base_url = "http://uit.mpei.ru/git/main/is_dnn/raw/branch/main/labworks/LW2/"
+!wget -N {base_url}lab02_lib.py
+!wget -N {base_url}data/{dataset_name}_train.txt
+!wget -N {base_url}data/{dataset_name}_test.txt
+!cp {dataset_name}_train.txt train.txt
+!cp {dataset_name}_test.txt test.txt
+print("Файлы успешно скачаны!")
+print("Содержимое рабочей директории:")
+!ls -la
+```
+
+---
+
+## ЗАДАНИЕ 1
+
+### Пункт №1. Импорт необходимых для работы библиотек и модулей.
+```python
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.preprocessing import StandardScaler
+from sklearn.datasets import make_blobs
+import tensorflow as tf
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Dense, Activation
+from tensorflow.keras.optimizers import Adam
+from tensorflow.keras.callbacks import EarlyStopping
+import lab02_lib as lib
+
+# Параметры для варианта 5
+k = 5  # номер бригады
+center_coords = (k, k)  # координаты центра (5, 5)
+```
+
+**Описание:** Импортируем необходимые библиотеки, модули, устанавливаются параметры для варианта 2.
+
+### Пункт №2. Генерация индивидуального набора двумерных данных в пространстве признаков.
+```python
+
+print("Генерация синтетических данных с центром в (5, 5)...")
+
+data = lib.datagen(k, k, 1000, 2)
+
+print(f"Сгенерировано {len(data)} точек")
+print(f"Центр данных: {center_coords}")
+print(f"Размерность данных: {data.shape}")
+```
+
+**Результат выполнения:**
+```
+Сгенерировано 1000 точек
+Центр данных: (5, 5)
+Размерность данных: (1000, 2)
+```
+
+![Результаты](1.png)
+
+### Пункт №3. Создание и обучение автокодировщика AE1 простой архитектуры.
+```python
+print("="*50)
+print("Обучение AE1")
+print("="*50)
+
+def create_simple_ae():
+    model = Sequential()
+    
+    model.add(Dense(2, input_shape=(2,), activation='tanh'))
+    
+    model.add(Dense(1, activation='tanh'))
+    
+    model.add(Dense(2, activation='linear'))
+    return model
+
+ae1 = create_simple_ae()
+ae1.compile(optimizer=Adam(learning_rate=0.001), loss='mse')
+
+print("Архитектура AE1:")
+ae1.summary()
+
+print("\nНачало обучения AE1...")
+history_ae1 = ae1.fit(data, data, 
+                      epochs=1000, 
+                      batch_size=32, 
+                      validation_split=0.2,
+                      verbose=1,
+                      callbacks=[EarlyStopping(patience=300, restore_best_weights=True)])
+
+ae1.save('out/AE1.h5')
+
+X_pred_ae1 = ae1.predict(data)
+reconstruction_errors_ae1 = np.mean(np.square(data - X_pred_ae1), axis=1)
+threshold_ae1 = np.max(reconstruction_errors_ae1)
+
+print("\nАнализ результатов AE1")
+mse_ae1 = history_ae1.history['loss'][-1]
+print(f"Финальная ошибка MSE AE1: {mse_ae1:.6f}")
+print(f"Порог ошибки реконструкции AE1: {threshold_ae1:.6f}")
+
+plt.figure(figsize=(15, 4))
+
+plt.subplot(1, 3, 1)
+plt.plot(history_ae1.history['loss'], label='Training Loss', color='blue')
+plt.plot(history_ae1.history['val_loss'], label='Validation Loss', color='red')
+plt.title('AE1: Ошибка обучения (MSE)')
+plt.xlabel('Эпоха')
+plt.ylabel('MSE')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 2)
+plt.plot(reconstruction_errors_ae1, 'b-', alpha=0.7, linewidth=0.8)
+plt.axhline(y=threshold_ae1, color='red', linestyle='--', linewidth=2, 
+           label=f'Порог: {threshold_ae1:.2f}')
+plt.title('AE1: Ошибки реконструкции')
+plt.xlabel('Номер точки')
+plt.ylabel('Ошибка реконструкции')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 3)
+plt.hist(reconstruction_errors_ae1, bins=20, alpha=0.7, color='blue', edgecolor='black')
+plt.axvline(threshold_ae1, color='red', linestyle='--', linewidth=2, 
+           label=f'Порог: {threshold_ae1:.2f}')
+plt.title('AE1: Распределение ошибок')
+plt.xlabel('Ошибка реконструкции')
+plt.ylabel('Частота')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.tight_layout()
+plt.savefig('out/ae1_detailed_results.png', dpi=300, bbox_inches='tight')
+plt.show()
+
+with open('out/AE1_ire_th.txt', 'w') as f:
+    f.write(str(threshold_ae1))
+
+ae1_trained = ae1
+IRE1 = reconstruction_errors_ae1
+IREth1 = threshold_ae1
+
+print(f"Обучение AE1 завершено!")
+print(f"Минимальная ошибка: {np.min(IRE1):.6f}")
+print(f"Максимальная ошибка: {np.max(IRE1):.6f}")
+print(f"Средняя ошибка: {np.mean(IRE1):.6f}")
+```
+
+**Описание:** Создается автокодировщик AE1 с простой архитектурой, одним скрытым слоем с одним нейроном.
+
+**Результаты обучения AE1:**
+
+Финальная ошибка MSE AE1: 0.009326
+
+Порог ошибки реконструкции AE1: 0.067896
+
+Минимальная ошибка: 0.000035
+
+Максимальная ошибка: 0.067896
+
+![Результаты AE1](2.png)
+
+### Пункт №4. Создание и обучение второго автокодировщика AE2 усложненной архитектуры.
+
+```python
+print("="*50)
+print("Обучение AE2")
+print("="*50)
+
+print("Используется архитектура по умолчанию: [2-3-2-1-2-3-2]")
+print("Количество скрытых слоев: 5")
+print("Нейроны в скрытых слоях: 3-2-1-2-3")
+
+def create_ae2_default():
+    model = Sequential()
+
+    model.add(Dense(2, input_shape=(2,), activation='tanh'))
+
+    model.add(Dense(3, activation='tanh'))
+    model.add(Dense(2, activation='tanh'))
+    model.add(Dense(1, activation='tanh'))
+    model.add(Dense(2, activation='tanh'))
+    model.add(Dense(3, activation='tanh'))
+
+    model.add(Dense(2, activation='linear'))
+
+    return model
+
+ae2 = create_ae2_default()
+ae2.compile(optimizer=Adam(learning_rate=0.001), loss='mse')
+
+print("\nАрхитектура AE2:")
+ae2.summary()
+
+print(f"\nНачало обучения AE2 (patience=300)...")
+history_ae2 = ae2.fit(data, data,
+                      epochs=3000,
+                      batch_size=32,
+                      validation_split=0.2,
+                      verbose=1,
+                      callbacks=[EarlyStopping(patience=300, restore_best_weights=True)])
+
+ae2.save('out/AE2.h5')
+
+X_pred_ae2 = ae2.predict(data)
+reconstruction_errors_ae2 = np.mean(np.square(data - X_pred_ae2), axis=1)
+threshold_ae2 = np.max(reconstruction_errors_ae2)
+
+print("\n" + "="*50)
+print("АНАЛИЗ РЕЗУЛЬТАТОВ AE2")
+print("="*50)
+mse_ae2 = history_ae2.history['loss'][-1]
+print(f"Финальная ошибка MSE AE2: {mse_ae2:.6f}")
+print(f"Порог ошибки реконструкции AE2: {threshold_ae2:.6f}")
+
+print("\nПРОВЕРКА РЕКОМЕНДАЦИЙ:")
+if mse_ae2 >= 0.01:
+    print("✓ MSE_stop для AE2 соответствует рекомендации (≥ 0.01)")
+else:
+    print("✗ MSE_stop для AE2 слишком низкая, возможно переобучение")
+
+plt.figure(figsize=(15, 4))
+
+plt.subplot(1, 3, 1)
+plt.plot(history_ae2.history['loss'], label='Training Loss', color='green', linewidth=2)
+plt.plot(history_ae2.history['val_loss'], label='Validation Loss', color='red', linewidth=2)
+plt.title('AE2: Динамика обучения (MSE)', fontsize=12, fontweight='bold')
+plt.xlabel('Эпоха')
+plt.ylabel('MSE')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 2)
+plt.plot(reconstruction_errors_ae2, 'g-', alpha=0.7, linewidth=0.8)
+plt.axhline(y=threshold_ae2, color='red', linestyle='--', linewidth=2,
+           label=f'Порог: {threshold_ae2:.4f}')
+plt.title('AE2: Ошибки реконструкции по точкам', fontsize=12, fontweight='bold')
+plt.xlabel('Номер точки')
+plt.ylabel('Ошибка реконструкции')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 3)
+plt.hist(reconstruction_errors_ae2, bins=20, alpha=0.7, color='green', edgecolor='black')
+plt.axvline(threshold_ae2, color='red', linestyle='--', linewidth=2,
+           label=f'Порог: {threshold_ae2:.4f}')
+plt.title('AE2: Распределение ошибок', fontsize=12, fontweight='bold')
+plt.xlabel('Ошибка реконструкции')
+plt.ylabel('Частота')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.tight_layout()
+plt.savefig('out/ae2_detailed_results.png', dpi=300, bbox_inches='tight')
+plt.show()
+
+with open('out/AE2_ire_th.txt', 'w') as f:
+    f.write(str(threshold_ae2))
+
+ae2_trained = ae2
+IRE2 = reconstruction_errors_ae2
+IREth2 = threshold_ae2
+
+print("\nДЕТАЛЬНАЯ СТАТИСТИКА AE2:")
+print(f"Минимальная ошибка: {np.min(IRE2):.6f}")
+print(f"Максимальная ошибка: {np.max(IRE2):.6f}")
+print(f"Средняя ошибка: {np.mean(IRE2):.6f}")
+print(f"Медианная ошибка: {np.median(IRE2):.6f}")
+print(f"Стандартное отклонение: {np.std(IRE2):.6f}")
+print(f"Количество точек с ошибкой выше порога: {np.sum(IRE2 > IREth2)}")
+print(f"Процент точек выше порога: {np.sum(IRE2 > IREth2) / len(IRE2) * 100:.2f}%")
+
+print(f"\nОбучение AE2 завершено!")
+print(f"Архитектура: [2-3-2-1-2-3-2]")
+print(f"Количество скрытых слоев: 5")
+print(f"Нейроны в скрытых слоях: 3-2-1-2-3")
+```
+
+**Описание:** Создается автокодировщик AE2 с усложненной архитектурой, 5 скрытых слоев с нейронами: 3, 2, 1, 2, 3.
+
+**Результаты обучения AE2:**
+
+Финальная ошибка MSE AE2: 0.004915
+
+Порог ошибки реконструкции AE2: 0.044551
+
+Минимальная ошибка: 0.000000
+
+Максимальная ошибка: 0.044551
+
+Средняя ошибка: 0.004790
+
+Медианная ошибка: 0.002186
+
+Стандартное отклонение: 0.006661
+
+Количество точек с ошибкой выше порога: 0
+
+Процент точек выше порога: 0.00%
+
+![Результаты AE2](3.png)
+
+
+### Пункт №5. Характеристики качества обучения EDCA.
+```python
+print("="*70)
+print("РАСЧЕТ ХАРАКТЕРИСТИК КАЧЕСТВА ОБУЧЕНИЯ EDCA")
+print("="*70)
+
+numb_square = 20
+
+print("\n" + "="*30)
+print("РАСЧЕТ ДЛЯ AE1")
+print("="*30)
+xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
+
+print("\n" + "="*30)
+print("РАСЧЕТ ДЛЯ AE2")
+print("="*30)
+xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
+
+print("\n" + "="*50)
+print("СРАВНЕНИЕ ОБЛАСТЕЙ АППРОКСИМАЦИИ AE1 И AE2")
+print("="*50)
+lib.plot2in1(data, xx, yy, Z1, Z2)
+```
+
+**Оценка качества AE1:**
+
+IDEAL = 0. Excess:  0.0
+
+IDEAL = 0. Deficit:  0.7777777777777778
+
+IDEAL = 1. Coating:  0.2222222222222222
+
+summa:  1.0
+
+IDEAL = 1. Extrapolation precision (Approx):  4.5
+
+**Оценка качества AE2:**
+
+IDEAL = 0. Excess:  0.2222222222222222
+
+IDEAL = 0. Deficit:  0.6111111111111112
+
+IDEAL = 1. Coating:  0.3888888888888889
+
+summa:  1.0
+
+IDEAL = 1. Extrapolation precision (Approx):  1.6363636363636365
+
+![график](4.png)
+
+![график](5.png)
+
+![график](6.png)
+
+![график](7.png)
+
+![график](8.png)
+
+**ВЫВОД О ПРИГОДНОСТИ AE1 И AE2 ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ**
+
+На основе анализа характеристик EDCA можно сделать следующие выводы:
+AE1 (простая архитектура [2-1-2]):
+
+НЕ ПРИГОДЕН для качественного обнаружения аномалий по следующим причинам:
+
+    Deficit = 0.78 - критически высокое значение, что означает, что автокодировщик пропускает 78% обучающих данных и не распознает их как нормальные
+
+    Coating = 0.22 - чрезвычайно низкое значение, автокодировщик охватывает только 22% области обучающих данных
+
+    Approx = 4.5 - значительно превышает идеальное значение 1, что свидетельствует о очень плохой аппроксимации данных
+
+Положительный аспект: Excess = 0.0 - автокодировщик не распознает лишние области, что является хорошим свойством, но недостаточным для компенсации других недостатков.
+AE2 (архитектура [2-3-2-1-2-3-2]):
+
+ТРЕБУЕТ СУЩЕСТВЕННОГО УЛУЧШЕНИЯ и в текущем состоянии не пригоден для качественного обнаружения аномалий:
+
+    Excess = 0.22 - автокодировщик распознает 22% лишних областей, что может приводить к пропуску аномалий
+
+    Deficit = 0.61 - все еще высокое значение, 61% данных не распознается как нормальные
+
+    Coating = 0.39 - низкое покрытие, только 39% обучающих данных охватывается областью распознавания
+
+    Approx = 1.64 - лучше чем у AE1, но все еще далеко от идеального значения 1
+
+ОБЩИЙ ВЫВОД:
+
+Оба автокодировщика демонстрируют недостаточное качество аппроксимации обучающих данных. AE1 слишком прост и не способен adequately выучить распределение данных, в то время как AE2, хотя и показывает улучшение, все еще требует значительной доработки архитектуры и параметров обучения для достижения приемлемого качества обнаружения аномалий.
+
+Рекомендация: Необходимо создать улучшенный автокодировщик AE3 с более сложной архитектурой, увеличить количество эпох обучения и оптимизировать гиперпараметры для достижения значений EDCA, близких к идеальным (Excess ≈ 0, Deficit ≈ 0, Coating ≈ 1, Approx ≈ 1).
+
+### Пункт №6. Улучшение автокодировщика АЕ2.
+
+**Анализ проблем текущего AE2:**
+
+• Excess = 0.22 - слишком много лишних областей
+
+• Deficit = 0.61 - пропускает много нормальных данных
+
+• Coating = 0.39 - плохое покрытие обучающих данных
+
+• Approx = 1.64 - требует улучшения аппроксимации
+
+**Стратегия улучшения AE2:**
+
+• Увеличение количества эпох обучения с 3000 до 5000
+
+• Увеличение patience с 300 до 400
+
+• Уменьшение learning rate с 0.001 до 0.0005
+
+• Уменьшение batch size с 32 до 16
+
+```python
+print("="*70)
+print("УЛУЧШЕНИЕ АВТОКОДИРОВЩИКА AE2 - ПОВТОРНОЕ ОБУЧЕНИЕ")
+print("="*70)
+
+def create_ae2_improved():
+    model = Sequential()
+    
+    model.add(Dense(2, input_shape=(2,), activation='tanh'))
+    
+    model.add(Dense(3, activation='tanh'))
+    model.add(Dense(2, activation='tanh'))
+    model.add(Dense(1, activation='tanh'))
+    model.add(Dense(2, activation='tanh'))
+    model.add(Dense(3, activation='tanh'))
+    
+    model.add(Dense(2, activation='linear'))
+    
+    return model
+
+ae2_improved = create_ae2_improved()
+ae2_improved.compile(optimizer=Adam(learning_rate=0.0005), loss='mse')
+
+print("\nАрхитектура AE2 (улучшенный): [2-3-2-1-2-3-2]")
+print("Количество скрытых слоев: 5")
+ae2_improved.summary()
+
+print(f"\nНачало обучения улучшенного AE2 (5000 эпох, patience=400)...")
+history_ae2_improved = ae2_improved.fit(data, data, 
+                      epochs=5000, 
+                      batch_size=16,
+                      validation_split=0.2,
+                      verbose=1,
+                      callbacks=[EarlyStopping(patience=400, restore_best_weights=True)])
+
+ae2_improved.save('out/AE2_improved.h5')
+
+X_pred_ae2_improved = ae2_improved.predict(data)
+reconstruction_errors_ae2_improved = np.mean(np.square(data - X_pred_ae2_improved), axis=1)
+threshold_ae2_improved = np.max(reconstruction_errors_ae2_improved)
+
+print("\n" + "="*50)
+print("АНАЛИЗ РЕЗУЛЬТАТОВ УЛУЧШЕННОГО AE2")
+print("="*50)
+mse_ae2_improved = history_ae2_improved.history['loss'][-1]
+print(f"Финальная ошибка MSE улучшенного AE2: {mse_ae2_improved:.6f}")
+print(f"Порог ошибки реконструкции улучшенного AE2: {threshold_ae2_improved:.6f}")
+
+plt.figure(figsize=(15, 4))
+
+plt.subplot(1, 3, 1)
+plt.plot(history_ae2_improved.history['loss'], label='Training Loss', color='green', linewidth=2)
+plt.plot(history_ae2_improved.history['val_loss'], label='Validation Loss', color='red', linewidth=2)
+plt.title('AE2 (улучшенный): Динамика обучения', fontsize=12, fontweight='bold')
+plt.xlabel('Эпоха')
+plt.ylabel('MSE')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 2)
+plt.plot(reconstruction_errors_ae2_improved, 'green', alpha=0.7, linewidth=0.8)
+plt.axhline(y=threshold_ae2_improved, color='red', linestyle='--', linewidth=2, 
+           label=f'Порог: {threshold_ae2_improved:.4f}')
+plt.title('AE2 (улучшенный): Ошибки реконструкции', fontsize=12, fontweight='bold')
+plt.xlabel('Номер точки')
+plt.ylabel('Ошибка реконструкции')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.subplot(1, 3, 3)
+plt.hist(reconstruction_errors_ae2_improved, bins=20, alpha=0.7, color='green', edgecolor='black')
+plt.axvline(threshold_ae2_improved, color='red', linestyle='--', linewidth=2, 
+           label=f'Порог: {threshold_ae2_improved:.4f}')
+plt.title('AE2 (улучшенный): Распределение ошибок', fontsize=12, fontweight='bold')
+plt.xlabel('Ошибка реконструкции')
+plt.ylabel('Частота')
+plt.legend()
+plt.grid(True, alpha=0.3)
+
+plt.tight_layout()
+plt.savefig('out/ae2_improved_results.png', dpi=300, bbox_inches='tight')
+plt.show()
+
+ae2_trained = ae2_improved
+IRE2 = reconstruction_errors_ae2_improved
+IREth2 = threshold_ae2_improved
+
+print(f"\nОбучение улучшенного AE2 завершено!")
+print(f"Количество фактических эпох: {len(history_ae2_improved.history['loss'])}")
+```
+
+**Описание:** Создается улучшенный автокодировщик AE2.
+
+**АНАЛИЗ РЕЗУЛЬТАТОВ УЛУЧШЕННОГО AE2:**
+
+Финальная ошибка MSE улучшенного AE2: 0.005074
+
+Порог ошибки реконструкции улучшенного AE2: 0.060338
+
+Количество фактических эпох: 5000
+
+![Результаты улучшенного AE2](9.png)
+
+### Пункт №7. Подобрали подходящие параметры автокодировщика.
+
+**Оценка качества AE2**
+
+IDEAL = 0. Excess:  0.4111111111111112
+
+IDEAL = 0. Deficit:  0.5
+
+IDEAL = 1. Coating:  0.5
+
+summa:  1.0
+
+IDEAL = 1. Extrapolation precision (Approx):  0.9
+
+AE2 (улучшенная архитектура [2-3-2-1-2-3-2]):
+
+    Excess = 0.41 - УХУДШЕНИЕ: распознает 41% лишних областей, но это не так много
+
+    Deficit = 0.50 - УЛУЧШЕНИЕ: пропускает 50% данных (было 41%)
+
+    Coating = 0.50 - УЛУЧШЕНИЕ: охватывает 50% данных (было 39%)
+
+    Approx = 0.90 - ЗНАЧИТЕЛЬНОЕ УЛУЧШЕНИЕ: близко к идеалу 1.0
+
+**Описание:** AE2 после улучшения стал значительно лучше по основным метрикам аппроксимации.
+
+### Пункт №7. Создание тестовой выборки.
+