diff --git a/.idea/misc.xml b/.idea/misc.xml
index adaa126..715ed69 100644
--- a/.idea/misc.xml
+++ b/.idea/misc.xml
@@ -3,5 +3,5 @@
-
+
\ No newline at end of file
diff --git a/.idea/wozek.iml b/.idea/wozek.iml
index 904114b..a9742fc 100644
--- a/.idea/wozek.iml
+++ b/.idea/wozek.iml
@@ -4,7 +4,7 @@
-
+
diff --git a/Archiwum/README.md b/Raporty/README.md
similarity index 100%
rename from Archiwum/README.md
rename to Raporty/README.md
diff --git a/Raport_444420.md b/Raporty/Raport_444420.md
similarity index 100%
rename from Raport_444420.md
rename to Raporty/Raport_444420.md
diff --git a/Archiwum/environment.md b/Raporty/environment.md
similarity index 100%
rename from Archiwum/environment.md
rename to Raporty/environment.md
diff --git a/Raporty/raport_444428.md b/Raporty/raport_444428.md
new file mode 100644
index 0000000..f99651d
--- /dev/null
+++ b/Raporty/raport_444428.md
@@ -0,0 +1,132 @@
+# Wojciech Lukasik - drzewa decyzyjne, algorytm CART
+
+### Opis podprojektu
+Podprojekt implementuje tworzenie drzewa decyzyjnego w oparciu o algorytm CART
+(Classification And Regression Tree), które pomaga Agentowi w rozpoznaniu słodyczy na podstawie
+ich cech fizycznych (kolor, kształt, masa, rozmiar).
+
+Wszystkie funkcje oraz klasy wykorzystywane w tym podprojekcie znajdują się w pliku decision_tree.py,
+dane uczące znajdują się w pliku data.py w liście learning_data
+
+### Tworzenie drzewa decyzyjnego
+
+Główną funkcją jest build_tree(rows), która jak wskazuje nazwa tworzy drzewo. Funkcja przyjmuje
+jako argument listę zawierającą zestaw danych, w tym przypadku będą to słodycze o różnych właściwościach.
+
+```python
+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 DecisionNode(question, true_branch, false_branch)
+```
+
+Drzewo jest budowane w oparciu o najlepsze możlwe podziały (najbardziej korzystne 'pytanie', które można zadać).
+Zajmuje się tym funkcja
+
+`find_best_split(rows)` która dla wszystkich właściwości przekazanego zestawu informacji
+wylicza dla nich 'zysk informacji'.
+
+Jeżeli nie otrzymujemy żadnych informacji (gain == 0) to znaczy, że znajdujemy
+się w liściu drzewa.
+
+```python
+def find_best_split(rows):
+ """ znajdź najlepsze możliwe pytanie do zadania, sprawdzając wszystkie
+ właściwośći oraz licząc dla nich 'info_gain' """
+ best_gain = 0
+ best_question = None
+ current_uncertainty = gini(rows)
+ n_features = len(rows[0]) - 1
+
+ for col in range(n_features):
+ values = set([row[col] for row in rows])
+
+ for val in values:
+ question = Question(col, val)
+
+ true_rows, false_rows = partition(rows, question)
+
+ if len(true_rows) == 0 or len(false_rows) == 0:
+ continue
+
+ gain = info_gain(true_rows, false_rows, current_uncertainty)
+
+ if gain > best_gain:
+ best_gain, best_question = gain, question
+
+ return best_gain, best_question
+```
+
+Zysk informacji z danego podziału otrzymujemy obliczając wartość 'Gini Impurity'. Jest to miara tego jak często losowo
+wybrany element zbioru byłby źle skategoryzowany, gdyby przypisać mu losową kategorię spośród wszystkich kategorii
+znajdujących się w danym zbiorze.
+
+```python
+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
+```
+`class_counts(rows)` to funkcja, która dla danego zestawu danych zwraca wszystkie unikalne klasy oraz liczbę ich wystąpień.
+
+Dla przykładu, dla zestawu w którym wszystkie elementy podchodzą pod tę samą kategorię wartość Gini będzie równa zero,
+natomiast dla zbioru w którym znajdują się dwie kategorie wartość ta wyniesie 0,5.
+
+Po znalezieniu najbardziej optymalnego pytania, algorytm dzieli zestaw na elementy, dla których pytanie jest prawdziwe
+(true_rows), oraz te dla których jest fałszywe (false_rows). Następnie wykonuje rekurencyjnie procedurę build_tree dla
+obu poddrzew tak długo aż nie dojdzie do liści.
+
+Element o zadanym zestawie cech, zostaje odnaleziony w drzewie dzięki prostej procedurze
+
+`classify(row, node)` 'row' to lista cech elementu, natomiast 'node' na początu jest korzeniem już zbudowanego drzewa.
+
+Element jest odnaleziony dzięki
+rekurencyjnym porównaniom atrybutów elementu z pytaniami w kolejnych węzłach drzewa.
+
+```python
+def classify(row, node):
+ if isinstance(node, Leaf):
+ return node.predicions
+
+ if node.question.match(row):
+ return classify(row, node.true_branch)
+ else:
+ return classify(row, node.false_branch)
+```
+
+### Zestaw uczący
+
+Zestaw budujący drzewo to lista zawierająca 27 przykładowych słodyczy. Ich atrybuty zapisane są w formacie ['kolor',
+'kształt', 'masa', 'wielkość', 'nazwa']. Oczywiście przy wyszukiwaniu elementu w drzewie jego nazwa nie jest potrzebna
+ponieważ to jej szukamy. Przykładowe elementy z zestawu uczącego:
+
+```python
+ ['black', 'rectangle', 51, 'small', 'Mars'],
+ ['gold', 'pack', 100, 'big', 'Haribo'],
+ ['purple', 'rectangle', 100, 'big', 'Milka'],
+ ['brown', 'pack', 45, 'small', 'M&M'],
+```
+
+### Implementacja w projekcie
+
+Przy rozpoczęciu głównej pętli programu w pliku `main.py` drzewo `my_tree` zostaje zbudowane w oparciu o dane
+`data.learning_data`.
+
+Gdy program już działa, po wciśnięciu `spacji` jeden ze słodyczy zostanie losowo wybrany z zestawu `data.learning_data`
+oraz umieszczony na polu `board[9][0]`, a jego nazwa zostanie wypisana w konsoli. Następnie Agent przemieszcza się do
+punktu `board[9][0]` i rozpoczne procedurę wyszukiwania elementu w zbudowanym drzewie. Na końcu wypisze w
+konsoli nazwę produktu.
+
+
diff --git a/route-planning.md b/Raporty/route-planning.md
similarity index 100%
rename from route-planning.md
rename to Raporty/route-planning.md
diff --git a/__pycache__/mcda.cpython-37.pyc b/__pycache__/mcda.cpython-37.pyc
new file mode 100644
index 0000000..a51297a
Binary files /dev/null and b/__pycache__/mcda.cpython-37.pyc differ
diff --git a/__pycache__/product.cpython-37.pyc b/__pycache__/product.cpython-37.pyc
new file mode 100644
index 0000000..c5d2555
Binary files /dev/null and b/__pycache__/product.cpython-37.pyc differ
diff --git a/__pycache__/supply.cpython-37.pyc b/__pycache__/supply.cpython-37.pyc
new file mode 100644
index 0000000..fb3c123
Binary files /dev/null and b/__pycache__/supply.cpython-37.pyc differ