«Рекомендации похожих настольных игр» — практический проект Python и NumPy: вы превращаете маленький каталог в полезные и понятные альтернативы для игрового вечера. Сначала определяется пригодность, затем длительность и сложность сравниваются по фиксированной открытой метрике.
Две работы с руководством обучают стабильным ID, пригодности, полному масштабу, таблицам расстояний и граничным равенствам. Независимая задача переносит это на другую игротеку. Результат — воспроизводимая программа и настоящие файлы для обычного вечера, малого набора и отсутствия кандидатов.
Чему вы научитесь
После курса вы сможете:
- связывать каталог и доступность по стабильному ID, сохраняя одноимённые издания;
- отделять требования игроков и доступности от сходства;
- задавать единый MinMax-масштаб каталога для образца и всех кандидатов;
- рассчитывать прозрачные евклидовы расстояния и объяснять исходные разности со знаком;
- сохранять все граничные равенства и честно обрабатывать нехватку и пустой набор;
- сохранять и читать настоящие JSON, воспроизводимые из неизменённых CSV.
Для кого этот курс
Для знакомых с основами Python, которым нужен небольшой объяснимый проект, а не соревнование моделей.
Требования: Функции и словари Python, простые NumPy-массивы, чтение таблиц и базовый ввод в терминале. Знание классификации ближайших соседей полезно, API scikit-learn не требуется. Руководства объясняют поиск без меток, связь ID и правила масштаба.
Среда: Каждая единица имеет собственный браузерный WebIDE с Python, NumPy, оригинальными синтетическими данными и небольшими средствами ввода/вывода. Вы завершаете функции решений и читаете реальные файлы без локальной установки и внешних аккаунтов данных.
Часто задаваемые вопросы
Можно предсказать, какая игра понравится?
Нет. Находятся пригодные игры с близкими длительностью и сложностью по явной метрике. Предпочтения и производительность больших рекомендательных систем не рассматриваются.
Нужны метки или scikit-learn?
Нет целевой метки и разделения для обучения с учителем. Расстояние вычисляет NumPy; scikit-learn не является зависимостью.
Почему задача независима?
Она даёт другой каталог, образец, таблицу доступности и запросы. Вы применяете изученные инструменты и критерии в собственной полной среде.
