diff --git a/Natalia_Wiśniewska_drzewa_decyzyjne.md b/Natalia_Wiśniewska_drzewa_decyzyjne.md
new file mode 100644
index 0000000..2ae9024
--- /dev/null
+++ b/Natalia_Wiśniewska_drzewa_decyzyjne.md
@@ -0,0 +1,78 @@
+# *Sztuczna inteligencja - projekt zespołowy - Autonomiczny Traktor*
+
+#### autorzy: Aleksandra Werda, Natalia Wiśniewska, Kinga Jagodzińska, Aleksandra Jonas
+***
+## Natalia Wiśniewska - podprojekt: drzewa decyzyjne
+___
+Celem podprojektu jest ustalenie czy traktor powinien podlać dane pole. Wykorzystałam do tego drzewa decyzyjne w oparciu o algorytm CART.
+## Zbiór uczący
+Zbiorem uczącym jest tablica, która składa się z 25 przykładów w których dane kolejno to:
+- informacja o tym czy gleba jest sucha lub nawodniona
+- ile dni temu ostatnio podlewano pole
+- co ile dni należy podlewać dane pole
+- czy ma tego dnia padać
+- kiedy ostatnio padało.
+```
+training_data = [
+    ['n', 2, 3, 't', 1],
+    ['s', 1, 3, 't', 1],
+    ['s', 5, 2, 'n', 1],
+    ['n', 3, 5, 'n', 1],
+```
+## Tworzenie drzewa
+Na samym początku program sprawdza czy odpowiednia wartość w danym przykładzie to liczba czy też litera.
+```
+def is_numeric(value):
+    return isinstance(value, int) or isinstance(value, float)
+```
+Dzięki temu w klasie **Question** ustalamy w jaki sposób porównujemy ze sobą dane oraz budujemy takie pytanie.
+```
+class Question:
+    def __init__(self, column, value):
+        self.column = column
+        self.value = value
+
+    def match(self, example):
+        val = example[self.column]
+        if is_numeric(val):
+            return val >= self.value
+        else:
+            return val == self.value
+
+    def __repr__(self):
+        condition = "=="
+        if is_numeric(self.value):
+            condition = ">="
+        return "Czy %s %s %s?" % (
+            header[self.column], condition, str(self.value))
+```
+Funkcja **partition** tworzy kolejne gałęzie poprzez podział odpowiedzi na fałszywe i prawdziwe.
+Następnie obliczamy wartość gini oraz przyrost informacji:
+```
+def gini(rows):
+    counts = class_counts(rows)
+    impurity = 1
+    for lbl in counts:
+        prob_of_lbl = counts[lbl] / float(len(rows))
+        impurity -= prob_of_lbl**2
+    return impurity
+
+
+def info_gain(left, right, current_uncertainty):
+    p = float(len(left)) / (len(left) + len(right))
+    return current_uncertainty - p * gini(left) - (1 - p) * gini(right)
+```
+Dzięki temu program ile informacji uzyska po podziale na podzbiory i może zadecydować, o które dane powinien zapytać.
+
+Na sam koniec tworzymy nasze drzewo:
+```
+def build_tree(rows):
+    gain, question = find_best_split(rows)
+    if gain == 0:
+        return Leaf(rows)
+    true_rows, false_rows = partition(rows, question)
+    true_branch = build_tree(true_rows)
+    false_branch = build_tree(false_rows)
+    return Decision_Node(question, true_branch, false_branch)
+```
+Zawiera ono najbardziej opłacalne pytanie w korzeniu, a następnie dzieli drzewo na dwa podrzewa- takie, w którym odpowiedzią na pierwsze pytanie była prawda i takie, w którym był to fałsz. Następnie w tych węzłach program zadaje kolejne pytania tak jak w korzeniu. Odpowiedzi na ostatnie pytania nazywamy liśćmi. Na ich podstawie ustalamy czy pole należy podlać czy nie.
\ No newline at end of file