Especialización en Analítica y Ciencia de Datos · 2026
Recomendación de recetas de mazos en Legends of Runeterra mediante clustering no supervisado y clasificación supervisada sobre el leaderboard maestro
Solo ficha. El repositorio marca este trabajo como «Acceso abierto»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
Este trabajo presenta el desarrollo de un sistema de recomendación de recetas de mazos para el juego de cartas digital Legends of Runeterra, mediante un pipeline de aprendizaje automático aplicado sobre datos del leaderboard Maestro extraídos de la API de Riot Games. Se emplearon algoritmos de clustering jerárquico aglomerativo, K-Means y Gaussian Mixture Model para descubrir arquetipos competitivos, utilizando PCA para reducir la dimensionalidad. Un módulo posterior asigna nuevos mazos al cluster más cercano y recomienda la receta del mejor jugador del grupo. Los resultados destacan el desempeño del clustering jerárquico Ward con un silhouette score de 0.655, logrando una segmentación coherente validada con mazos de partidas clasificatorias.