「似たボードゲームを推薦する」は、小さなカタログをゲームナイトで使える分かりやすい候補へ変える Python・NumPy プロジェクトです。先に実際に利用できるゲームを判定し、固定の公開距離規則で所要時間と複雑さを比べます。
二つのガイド付きラボで ID を尊重した適合判定、全カタログの尺度、完全な距離表、境界同順位を学びます。独立チャレンジでは別の図書館に応用します。成果は再実行可能なプログラムと、通常・候補不足・候補ゼロの実際の保存結果です。
学習内容
受講後は次ができます。
- 安定した ID でカタログと貸出状況を関連付け、同名の別版も保持する。
- 人数・貸出条件と内容類似性を分ける。
- 全カタログの MinMax 尺度を作り、参照と全適合候補で共有する。
- 透明なユークリッド距離を計算し、原単位の符号付き差で候補を説明する。
- 境界同順位をすべて残し、不足・空集合を正直に扱う。
- 未変更 CSV から再生成できる実際の JSON を保存して読む。
このコースの対象者
Python の基礎があり、モデル競争ではなく小さく説明可能なデータプロジェクトに取り組みたい人向けです。
前提知識： Python 関数・辞書、基本 NumPy 配列、表の読み方、基本的なターミナル入力。k近傍法の分類を知っていると役立ちますが、scikit-learn API は不要です。無ラベル検索、ID 対応、尺度規則はガイドで補います。
学習環境： 各単元に独立したブラウザー WebIDE があり、Python、NumPy、オリジナルの合成データ、小さな入出力補助が準備済みです。判断関数を完成して実ファイルを確認し、ローカルインストールや外部データアカウントは不要です。
よくある質問
楽しめるゲームを予測しますか？
いいえ。明示した距離で、利用可能かつ時間と複雑さが近いゲームを検索します。個人の好みや大規模推薦性能は対象外です。
学習ラベルや scikit-learn は必要ですか？
不要です。予測ラベルも教師ありの訓練/テスト分割もありません。NumPy で距離を計算し、scikit-learn は依存ライブラリではありません。
チャレンジはなぜ独立していますか？
別カタログ、参照、貸出表、要求がそろっています。既習の道具と条件を、独立した完全な環境で適用します。
