Ähnliche Brettspiele empfehlen ist ein praktisches Python- und NumPy-Projekt: Du verwandelst einen kleinen Katalog in brauchbare, verständliche Alternativen für einen Spieleabend. Zuerst entscheidest du, welche Spiele tatsächlich nutzbar sind, dann vergleichst du Dauer und Komplexität nach einer festen veröffentlichten Distanzregel.
Zwei Guided Labs behandeln stabile Identitäten, Eignung, vollständige Katalogskalierung, Distanztabellen und Grenzgleichstände. Eine unabhängige Challenge überträgt das auf eine andere Bibliothek. Du lieferst ein wieder ausführbares Programm und echte gespeicherte Ergebnisse für einen normalen Abend, wenige Alternativen und keine.
Was du lernen wirst
Nach dem Kurs kannst du:
- Katalog und Ausleihstatus über stabile IDs verbinden und gleichnamige Ausgaben getrennt erhalten;
- Personenzahl und Verfügbarkeit von inhaltlicher Ähnlichkeit trennen;
- eine vollständige MinMax-Skala für Referenz und alle geeigneten Kandidaten bestimmen;
- transparente euklidische Distanzen berechnen und vorzeichenbehaftete Originalunterschiede erklären;
- alle Grenzgleichstände behalten und zu wenige oder keine Kandidaten ehrlich behandeln;
- echte JSON-Ergebnisse speichern und aus unveränderten CSV-Eingaben erneut erzeugen.
Für wen dieser Kurs geeignet ist
Für Lernende mit Python-Grundkenntnissen, die ein kleines erklärbares Datenprojekt statt eines Modellwettbewerbs möchten.
Voraussetzungen: Python-Funktionen, Dictionaries, einfache NumPy-Arrays, Tabellenlesen und grundlegende Terminaleingaben. Klassifikation mit nächsten Nachbarn hilft, scikit-learn-API-Wissen ist nicht erforderlich. Die Guided Labs erklären Suche ohne Zielklassen, ID-Zuordnung und Skalierungsregeln.
Lernumgebung: Jede Einheit hat eine eigene browserbasierte WebIDE mit Python, NumPy, ursprünglichen synthetischen Daten und kleinen Ein-/Ausgabehelfern. Du ergänzt die Entscheidungsfunktionen und liest echte Dateien. Lokale Installation und externe Datenkonten sind nicht nötig.
Häufig gestellte Fragen
Sagt das voraus, welches Spiel jemand mag?
Nein. Gesucht werden nutzbare Spiele mit ähnlicher Dauer und Komplexität unter einer offengelegten Metrik. Persönliche Vorlieben und Leistung großer Empfehlungssysteme liegen außerhalb des Kurses.
Brauche ich Zielklassen oder scikit-learn?
Nein. Es gibt keine Zielvariable und keine überwachte Trainings-/Testaufteilung. NumPy berechnet eine transparente Distanz; scikit-learn ist keine Abhängigkeit.
Was macht die Challenge unabhängig?
Sie liefert einen anderen Katalog, ein Vergleichsspiel, Ausleihdaten und Anfragen. Mit den bereits geübten Werkzeugen und Regeln arbeitest du in einer eigenen vollständigen Umgebung.
