ILuvCode
Období: Týden 13/2026 (od 29.03.) Skupina: tria URL: https://github.com/ADamekk67/ILuvCode.git
1. Splnění základních podmínek
| Podmínka | Status |
|---|---|
| Alespoň 3 commity v daném týdnu | ✅ SPLNĚNO |
| Rozestup alespoň 12h mezi 3 commity | ✅ SPLNĚNO |
| Projektová dokumentace (README, projekt.md) | ❌ NESPLNĚNO |
2. Přehled commitů
- 2026-03-30 08:39: RL 2 pokus
- 2026-03-31 18:11: Replace bot with turtle agent and add Q-learning
Refactor reinforcement learning code to implement turtle agent with Q-learning and JSON data handling. - 2026-03-31 18:12: Enhance Readme with Q-Learning Turtle Agent details
Expanded the Readme to provide a comprehensive overview of the Q-Learning Turtle Agent, including explanations of reinforcement learning concepts, Q-Learning details, project implementation, hyperparameters, and future improvements. - 2026-04-01 06:38: Render unsafe position in the simulation
Added rendering of unsafe position in the environment.
3. Výsledky AI analýzy kódu
| Metrika | Hodnota |
|---|---|
| Celkové body (AI) | 17 / 20 b. (85%) |
| Náročnost projektu (Index) | 3 |
| Počet commitů | 4 |
| Změněné soubory | 4 |
| Počet přid./odeb. řádků kódu | 745 |
Komentář a zpětná vazba od AI
Dobrý den, jako tvůj pedagogický asistent jsem prošel tvou práci za uplynulý týden. Udělal jsi obrovský skok od jednoduchého pohybu k implementaci základů strojového učení, což velmi oceňuji. Zde je tvé hodnocení:
1. Smysluplnost popisů u commitů [3 body]
Tvé popisy commitů jsou příkladné. Jasně vysvětlují, co se v kódu změnilo (např. „Replace bot with turtle agent and add Q-learning“), a obsahují i doplňující detaily v těle commitu. Jediný slabší commit je „RL 2 pokus“, ale vzhledem k ostatním vysoce kvalitním popisům ponechávám plný počet bodů.
2. Smysluplnost komentářů v kódu [5 bodů]
Kód je rozdělen do logických bloků pomocí komentářů (Environment, Turtle, Q-Learning Setup), což výrazně pomáhá v orientaci. Oceňuji i komentování parametrů jako ALPHA, GAMMA a EPSILON přímo v kódu. - Drobné zlepšení: U složitější matematické operace (výpočet Q-hodnoty) by neuškodil krátký komentář vysvětlující, co se tam děje přímo v daném řádku, i když je to v README.
3. Kvalita a srozumitelnost dokumentace a struktura repozitáře [1 bod]
Zde musím body strhnout kvůli porušení pravidel organizace souborů:
- Chyba v rootu: Soubory /DataSave.json a /Podminkyorsom.md leží volně v hlavní složce (rootu). Podle metodiky musí mít každý projekt svou složku. DataSave.json by měl být uvnitř složky s příslušným projektem.
- Názvy složek: Pojmenovávat složky s koncovkou .md (např. PianoTiles_projekt.md/) je velmi matoucí a nestandardní. Koncovka .md patří souborům, nikoliv adresářům.
- Pochvala: Dokumentace v MachineLearning/ReinforcementLearning/Readme je vynikající. Obsahuje vysvětlení teorie, matematické vzorce v LaTeXu i tabulku parametrů. To je na úrovni střední školy nadstandardní práce.
4. Logika řešení a přemýšlení studenta v Pythonu [8 bodů]
Implementace Q-learningu je logicky správná a progrese z minulého týdne je fascinující. Použil jsi pokročilé koncepty:
- Threading: Správné oddělení vykreslovací smyčky od logiky učení pomocí threading.Lock().
- Persistence: Ukládání a načítání naučených dat přes json s ošetřením výjimky FileNotFoundError.
- Algoritmizace: Implementace Epsilon-greedy strategie a diskretizace stavů (převod souřadnic na grid).
V kódu se však objevila jedna nedokončená část:
- Na konci souboru Code.py v diffu je: render_stop = threading <span style='color: red;'>zde je chyba</span>. Pravděpodobně jsi zapomněl dopsat .Event(), takto je v proměnné uložen pouze modul threading, což způsobí chybu při pokusu o volání metod.
- Také vykreslování nebezpečné pozice je zatím „natvrdo“: pygame.draw.rect(ScreenSize, UnsafeColor, (501, 101, UnsafeSize, UnsafeSize)). V budoucnu by bylo lepší čerpat tyto pozice přímo z CollectedData["Unsafe Positions"].
Celkem získáno bodů: [17 / 85%] ze 20 možných
Slovní zhodnocení: Práce na projektu Reinforcement Learning je velmi ambiciózní a technicky zvládnutá. Pokud příště napravíš strukturu repozitáře (přesuneš JSON do složky a opravíš názvy adresářů), bude to perfektní. Tvůj posun v chápání RL algoritmů a Pythonu je v tomto týdnu vynikající.
DIFFICULTY_INDEX: [3]
Kontrolní otázka k obhajobě
V souboru
Code.pyjsi nastavil velikost želvy i nebezpečné zóny na 49 pixelů, ale velikost mřížkyGRID_SIZEje pouze 20 – jakým způsobem tvůj algoritmus ve funkciget_stateřeší situaci, kdy želva svou velikostí zasahuje do více buněk mřížky najednou, a jak to ovlivňuje ukládání Q-hodnot?