54 lines
1.6 KiB
Markdown
54 lines
1.6 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:
|
|
temp_order = client_ordering()
|
|
print("Passed: %s. Prediction: %s" % (temp_order, print_leaf(classify(temp_order, tree))))
|
|
|
|
Wtedy w terminalu jest wypisany wynik działania:
|
|
|
|
#Example
|
|
Passed: ['salad', 'hot', 'Europe', 'baked', 2, 'order']. Prediction: {'Shrimp and Escarole Salad': '100%'}
|
|
|
|
##### 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
|