Recomendar juegos de mesa similares es un proyecto práctico de Python y NumPy para convertir un pequeño catálogo en alternativas útiles y comprensibles para una noche de juegos. Primero decidirás cuáles pueden usarse y después compararás duración y complejidad con una regla de distancia fija y pública.
Dos laboratorios guiados enseñan idoneidad que conserva identidades, escala del catálogo completo, tablas de distancias y empates del umbral. Un desafío independiente aplica el flujo a otra biblioteca. Entregarás un programa reproducible y resultados reales guardados para una noche normal, pocas alternativas y ninguna.
Lo que aprenderás
Al terminar podrás:
- relacionar catálogo y préstamos por ID estable, conservando ediciones distintas con el mismo título;
- separar requisitos de jugadores y disponibilidad de la similitud de contenido;
- calcular una escala MinMax del catálogo completo y reutilizarla en referencia y candidatos;
- calcular distancias euclídeas transparentes y explicar diferencias con signo en unidades originales;
- conservar todos los empates y manejar honestamente candidatos insuficientes o vacíos;
- guardar y leer JSON reales regenerables desde los CSV intactos.
A quién va dirigido este curso
Para estudiantes con Python básico que quieren un pequeño proyecto de datos explicable, no una competición de modelos.
Prerrequisitos: Funciones y diccionarios Python, arrays NumPy básicos, lectura inicial de tablas y entrada básica de terminal. Conocer clasificación por vecinos próximos ayuda, pero no necesitas la API de scikit-learn. Los laboratorios enseñan búsqueda sin etiquetas, asociación por ID y reglas de escala.
Entorno: Cada unidad dispone de su propio WebIDE en el navegador con Python, NumPy, datos sintéticos originales y pequeños auxiliares de entrada/salida preparados. Completarás las decisiones y examinarás archivos reales, sin instalación local ni cuenta de datos externa.
Preguntas frecuentes
¿Predice qué juego disfrutará una persona?
No. Recupera juegos utilizables con duración y complejidad parecidas según una métrica explícita. Gustos y rendimiento de recomendación a gran escala quedan fuera del curso.
¿Necesito etiquetas o scikit-learn?
No hay etiqueta objetivo ni división supervisada de entrenamiento/prueba. NumPy calcula una distancia transparente; scikit-learn no es una dependencia.
¿Qué hace independiente al desafío?
Incluye otro catálogo, referencia, tabla de préstamos y solicitudes. Aplicas las mismas herramientas y reglas de los laboratorios en un entorno completo propio.
