Recommander des jeux de société similaires est un projet pratique Python et NumPy pour transformer un petit catalogue en alternatives utiles et compréhensibles pour une soirée. Vous décidez d'abord quels jeux sont réellement utilisables, puis comparez durée et complexité avec une règle de distance fixe et publique.
Deux laboratoires guidés enseignent l'admissibilité respectant les identités, l'échelle du catalogue entier, les distances complètes et les ex æquo au seuil. Un défi indépendant reprend ce processus pour une autre ludothèque. Vous livrez un programme réexécutable et de vrais résultats pour une soirée normale, peu d'alternatives et aucune.
Ce que vous apprendrez
Vous saurez :
- associer catalogue et emprunts par ID stable, en gardant les éditions distinctes de même titre ;
- séparer nombre de joueurs et disponibilité de la similarité ;
- définir une échelle MinMax complète commune à la référence et aux candidats ;
- calculer des distances euclidiennes transparentes et expliquer les écarts signés d'origine ;
- conserver tous les ex æquo et traiter honnêtement les ensembles insuffisants ou vides ;
- sauvegarder et lire de vrais JSON régénérables depuis des CSV intacts.
À qui s’adresse ce cours
Aux personnes connaissant les bases de Python qui veulent un petit projet explicable plutôt qu'une compétition de modèles.
Prérequis : Fonctions et dictionnaires Python, tableaux NumPy simples, lecture de tables et saisie élémentaire au terminal. La classification par voisins est utile, sans exiger l'API scikit-learn. Les laboratoires enseignent recherche sans labels, association par ID et règles de mise à l'échelle.
Environnement : Chaque unité fournit son WebIDE indépendant dans le navigateur, avec Python, NumPy, données synthétiques originales et petits auxiliaires d'entrée/sortie. Vous complétez les fonctions de décision et examinez de vrais fichiers, sans installation locale ni compte externe.
Questions fréquentes
Peut-on prédire quel jeu plaira ?
Non. On recherche des jeux utilisables proches en durée et complexité selon une métrique explicite. Les préférences et les performances à grande échelle ne font pas partie du cours.
Faut-il des labels ou scikit-learn ?
Non : ni cible à prédire ni séparation supervisée entraînement/test. NumPy calcule une distance transparente ; scikit-learn n'est pas une dépendance.
Pourquoi le défi est-il indépendant ?
Il fournit un autre catalogue, une référence, une table d'emprunts et des requêtes. Vous appliquez les outils et règles déjà enseignés dans son propre environnement complet.
