비슷한 보드게임 추천하기는 작은 목록을 게임 모임에 유용하고 이해 가능한 대안으로 바꾸는 Python·NumPy 프로젝트입니다. 먼저 실제 사용 가능한 게임을 정하고 고정된 공개 거리 규칙으로 시간과 복잡도를 비교합니다.
두 가이드 실습은 ID를 보존하는 적합성, 전체 목록 스케일링, 완전한 거리표, 경계 동률을 가르칩니다. 독립 챌린지는 다른 도서관에 이를 적용합니다. 결과물은 재실행 프로그램과 일반 모임·후보 부족·후보 없음의 실제 저장 파일입니다.
학습 내용
과정을 마치면 다음을 할 수 있습니다.
- 안정 ID로 목록과 대여 기록을 연결하고 같은 제목의 다른 판본을 보존합니다.
- 인원·대여 조건과 내용 유사도를 구분합니다.
- 전체 목록에서 MinMax 척도를 구해 기준과 모든 적합 후보에 함께 적용합니다.
- 투명한 유클리드 거리를 계산하고 원단위 부호 있는 차이로 후보를 설명합니다.
- 모든 경계 동률을 보존하고 부족·없음을 정직하게 처리합니다.
- 원본 CSV에서 재생성 가능한 실제 JSON을 저장하고 읽습니다.
추천 대상
Python 기초가 있으며 모델 경쟁보다 작고 설명 가능한 데이터 프로젝트를 원하는 학습자에게 맞습니다.
선수 지식: Python 함수·딕셔너리, 기본 NumPy 배열, 표 읽기, 기본 터미널 입력. 최근접 이웃 분류를 알면 도움이 되지만 scikit-learn API 지식은 필요 없습니다. 무레이블 검색·ID 연결·스케일 규칙은 가이드에서 배웁니다.
학습 환경: 단원마다 독립적인 브라우저 WebIDE와 Python·NumPy·원본 합성 데이터·작은 입출력 보조 코드가 준비됩니다. 판단 함수를 완성하고 실제 파일을 읽으며, 로컬 설치나 외부 데이터 계정은 필요 없습니다.
자주 묻는 질문
어떤 게임을 좋아할지 예측하나요?
아닙니다. 명시한 척도로 시간과 복잡도가 비슷하며 사용 가능한 게임을 찾습니다. 개인 취향과 대규모 추천 성능은 범위 밖입니다.
학습 레이블이나 scikit-learn이 필요한가요?
아니요. 목표 레이블이나 지도 학습 훈련/테스트 분할이 없습니다. NumPy로 거리를 계산하며 scikit-learn은 의존성이 아닙니다.
챌린지가 독립적인 이유는 무엇인가요?
다른 목록·기준·대여표·요청을 제공합니다. 배운 도구와 규칙을 자체 완전한 환경에서 적용합니다.
