AI-2020/final-evaluation.md

71 lines
2.0 KiB
Markdown

# Automatyczny kelner
## Krótki opis
Agent porusza się po kracie, przyjmuje zamówienia, zamówienia zanosi do kuchni, czeka na dania, zanosi dania do klientów.
## Technologie:
- Python3
- Drzewa decyzyjne
- Tensorflow with Keras API
- Pandas
- Scikit-learn
- Joblib
## Podprojekty:
### Projekt 1
#### Rozpoznawanie obrazu wykorzystując konwolucyjną sieć neuronową
Podprojekt polegający na użyciu konwolucyjnej sieci neuronowej do rozpoznania ze potrawy ze zdjęcia.
##### Karol Idaszak s444383
### Projekt 2
Podprojekt polegający na użyciu metody drzew decyzyjnych aby otrzymać optymalne ustawienia agenta na podstawie danych z losowo generowanych sytuacji.
Po wciśnięciu '1' i 'F5' program generuje losowe sytuacje z których otrzymuje wyniki na których w pliku decisiontree.py jest tworzone drzewo decyzyjne z najbardziej optymalnymi opcjami dla klienta.
### Projekt 3
Podprojekt polegający na użyciu metody drzew decyzyjnych aby wybrać danie na podstawie zamówienia przez klienta.
Wywołanie podprojektu jest po wciśnięciu '2':
#Execute project
if event.key == pygame.K_2:
if not actTake:
actTake = True
else:
actTake = False
Wtedy kiedy kelner stoi przy stoliku, to przyjmuje zamówienie:
if actTake:
temp_order.append(client_ordering())
Kiedy stoi na kuchnie - decyduje:
if actTake:
if temp_order:
for each in temp_order:
print("Passed: %s. Prediction: %s" % (each, print_leaf(classify(each, tree))))
temp_order.clear()
Przykładowy wynik działania:
#Example
Passed: ['salad', 'hot', 'Europe', 'baked', 2, 'order']. Prediction: {'Shrimp and Escarole Salad': '100%'}
Wyniki wypisywane są do konsoli.
##### Serhii Hromov s442778
### Projekt 4
Podprojekt polegający na użyciu metody drzew decyzyjnych, aby stworzyć model, na podstawie którego klient wybierze danie jakie chce zamówić.
#### Piotr Dębski s444362