Recomendando jogos de tabuleiro semelhantes é um projeto prático de Python e NumPy para transformar um pequeno catálogo em alternativas úteis e compreensíveis para uma noite de jogos. Primeiro você decide quais podem ser usados; depois compara duração e complexidade com uma regra fixa e pública de distância.
Dois laboratórios guiados ensinam adequação com identidade preservada, escala completa, tabelas de distância e empates no limite. Um desafio independente aplica o fluxo a outra biblioteca. Você entrega um programa reproduzível e arquivos reais para uma noite normal, poucas alternativas e nenhuma.
O que você aprenderá
Ao concluir, você poderá:
- relacionar catálogo e disponibilidade por ID estável, preservando edições distintas com o mesmo título;
- separar número de participantes e disponibilidade da similaridade;
- obter uma escala MinMax completa para referência e todos os candidatos;
- calcular distâncias euclidianas transparentes e explicar diferenças originais com sinal;
- conservar todos os empates e tratar honestamente conjuntos insuficientes ou vazios;
- salvar e ler JSON reais regeneráveis dos CSV intactos.
Para quem é este curso
Para quem tem Python básico e deseja um pequeno projeto explicável, não uma competição de modelos.
Pré-requisitos: Funções e dicionários Python, arrays básicos do NumPy, leitura de tabelas e entrada básica no terminal. Classificação por vizinhos próximos ajuda, mas não exige API scikit-learn. Os guias ensinam busca sem rótulos, associação por ID e regras de escala.
Ambiente: Cada unidade oferece seu próprio WebIDE no navegador com Python, NumPy, dados sintéticos originais e pequenos auxiliares de entrada/saída. Você completa as decisões e lê arquivos reais, sem instalação local ou conta externa de dados.
Perguntas frequentes
Prevê de qual jogo alguém vai gostar?
Não. Recupera jogos utilizáveis próximos em duração e complexidade sob uma métrica explícita. Preferências pessoais e desempenho de recomendações em grande escala estão fora do curso.
Preciso de rótulos ou scikit-learn?
Não há rótulo-alvo nem divisão supervisionada treino/teste. NumPy calcula uma distância transparente; scikit-learn não é dependência.
O que torna o desafio independente?
Ele fornece outro catálogo, referência, tabela de disponibilidade e solicitações. Você aplica ferramentas e critérios já praticados em um ambiente completo próprio.
