🕹️ Othello AI Agent — Minimax & Deep Learning (CNN)

Dự án này xây dựng các tác nhân (Agent) chơi cờ Othello tự động sử dụng hai phương pháp: <<<<<<< HEAD

1. Classical AI: Thuật toán Minimax kết hợp Alpha-Beta Pruning.
2. Machine Learning AI: Mạng nơ-ron tích chập (CNN) học từ dữ liệu các ván đấu của chuyên gia (Minimax).

=======

1. Classical AI: Thuật toán Minimax kết hợp Alpha-Beta Pruning.
2. Machine Learning AI: Mạng nơ-ron tích chập (CNN) học từ dữ liệu các ván đấu của chuyên gia (Minimax).

42ee39ede7ce3d7787f98ded6fb11a5afa0d7172 ⚠️ Lưu ý quan trọng: Dự án sử dụng TensorFlow, yêu cầu Python 3.10. Vui lòng cài đặt đúng phiên bản Python này để tránh xung đột thư viện.

---

📂 1. Cấu trúc dự án

Để chạy chương trình không bị lỗi, vui lòng giữ nguyên cấu trúc thư mục như sau:

Othello_Project/
│
├── demo_cnn.py             # Chạy demo trực quan: CNN vs Random
├── evaluate_ml.py          # Đánh giá hiệu suất: CNN vs Random (100 ván)
├── game.py                 # Chạy game cổ điển: Minimax vs Random
├── minimax.py              # Thuật toán Minimax (Expert Agent)
├── randomMove.py           # Thuật toán Random (đối thủ ngẫu nhiên)
├── solution.py             # Class cha (Algorithm Base)
│
├── CNNAgent/               # [Module] Chứa mã nguồn Deep Learning
│   ├── __init__.py
│   ├── agent.py            # Logic xử lý nước đi của CNN Agent
│   ├── model.py            # Kiến trúc mạng CNN
│   ├── train.py            # Script huấn luyện
│   ├── dataset.py          # Script sinh dữ liệu
│   ├── utils.py            # Các hàm tiện ích xử lý bàn cờ
│   ├── othello_dataset.npz # (Tự sinh ra sau bước tạo data)
│   └── cnn_feat_othello.h5 # (Tự sinh ra sau khi train xong)
│
└── GameUI_Logic/           # Thư viện đồ họa và logic game

2. Cài đặt môi trường

Bạn cần cài đặt các thư viện cần thiết. Khuyên dùng Miniconda để quản lý môi trường ảo.

Cách 1: Sử dụng Miniconda (Khuyên dùng)

1. Tạo môi trường Python 3.10

conda create -n tf310 python=3.10

2. Kích hoạt môi trường

conda activate tf310

3. Cài đặt thư viện

pip install tensorflow scikit-learn numpy tqdm matplotlib

Cách 2: Sử dụng Virtualenv (Venv)

1. Tạo môi trường ảo

python -m venv venv

2. Kích hoạt môi trường

Windows:

venv\Scripts\activate

Linux/Mac:

source venv/bin/activate

3. Cài đặt thư viện

pip install tensorflow scikit-learn numpy tqdm matplotlib

3. Hướng dẫn chạy chương trình

Lưu ý: Luôn mở Terminal tại thư mục gốc của dự án (nơi chứa file game.py).

A. Chạy AI Cổ điển (Minimax)

Để xem Minimax (độ sâu 4) đấu với máy Random:

python game.py

B. Chạy AI Học máy (CNN)

Quy trình gồm 3 bước: Sinh dữ liệu -> Huấn luyện -> Chạy thử.

<<<<<<< HEAD

Bước 2: Huấn luyện mô hình (Train Model)

Dùng dữ liệu vừa tạo để huấn luyện mạng CNN. Lệnh này sẽ tạo file model CNNAgent/cnn_feat_othello.h5.

python -m CNNAgent.train

Bước 3: Chạy Demo & Kiểm thử (Test)

Cách 1: Xem trực quan (Visual Demo) Xem CNN Agent đấu với Random trên giao diện đồ họa (Turtle).

python demo_cnn.py

Cách 2: Đánh giá tỷ lệ thắng (Benchmark) Chạy ngầm 100 ván đấu để xem tỷ lệ thắng/thua.

======= Trong dự án này đã chạy sẵn 2 bước đầu, bạn có thể chạy ngay bước 3 nếu muốn.

Bước 1: Sinh dữ liệu (Generate Dataset)

Cho Minimax tự chơi với Random để tạo dữ liệu học. Lệnh này sẽ tạo file CNNAgent/othello_dataset.npz.

python -m CNNAgent.dataset

Bước 2: Huấn luyện mô hình (Train Model)

Dùng dữ liệu vừa tạo để huấn luyện mạng CNN. Lệnh này sẽ tạo file model CNNAgent/cnn_feat_othello.h5.

python -m CNNAgent.train

Bước 3: Chạy Demo & Kiểm thử (Test)

Cách 1: Xem trực quan (Visual Demo) Xem CNN Agent đấu với Random trên giao diện đồ họa (Turtle).

python demo_cnn.py

Cách 2: Đánh giá tỷ lệ thắng (Benchmark) Chạy ngầm 100 ván đấu để xem tỷ lệ thắng/thua.

42ee39ede7ce3d7787f98ded6fb11a5afa0d7172

python evaluate_ml.py