Obtener datos de juego mediante algún sistema de telemetría es una práctica habitual en la industria de los videojuegos. Especialmente en juegos de estrategia complejos, tener datos con los resultados de muchas partidas es útil para que el equipo de diseño pueda equilibrar el juego, modificando aquellos elementos que facilitan o dificultan en exceso conseguir la victoria a los jugadores.
El popular juego de cartas Magic: The Gathering cuenta con una versión digital llamada Magic: The Gathering Arena que genera una gran cantidad de datos. Muchos de ellos recopilados por la comunidad 17Lands en formato JSON y pueden ser analizados para, por ejemplo, ajustar la eficacia de los distintos arquetipos de mazos de cartas existentes.
El general que gana la batalla hace muchos cálculos en su templo antes de presentar combate; el que pierde, hace pocos.
Sun Tzu (544-470 a.C.)
En juegos como Magic los mazos de cartas siguen distintos arquetipos como Agresivo (Aggro), Control, Rango Medio (Midrange) o Combo, y en principios -sin tener en cuenta el metajuego- todos ellos deberían con las mismas posibilidades de ganar una partida. También hay que tener en cuenta que quien empieza a jugar en el primer turno tiene una ventaja mecánica estructural (se dice que está «on the play» frente al otro jugador que está «on the draw«), pero debemos evitar que esa ventaja sea excesiva.
Propuesta
La práctica consiste en realizar un análisis de los datos proporcionados en el mismo formato que se utiliza en 17Lands para identificar si existen dos posibles problemas de los que se está quejando la comunidad. El primero es que los mazos de cartas de tipo Mono Red Aggro (del arquetipo agresivo) parecen estar ganando demasiadas partidas, y el segundo es que aquellos que empiezan a jugar primero tienen demasiada ventaja (probabilidad de victoria superior al 55%).
Hasta con alguna imagen incrustada.
El punto de partida es Deck Base, un repositorio de GitHub que contiene un cuaderno interactivo y algunos ficheros de partida para realizar el análisis de datos telemétricos de los mazos del juego.
Las características principales del estudio son:
A. Se partirá de los datos…
B. Habrá una limpieza y tratamiento nosequé…
C. Luego se sacarán métricas básicas, estadísticas descriptivas…
D. Se responderá a la pregunta de si hay algún mazo desequilibrado…
E. Se dará alguna sugerencia final o algo así… usando solamente Phython, sin bibliotecas avanzadas como numpy, pandas o sklearn.
Revisión
Tener el repositorio a disposición del profesor, en formato entregable, preparado en tiempo y forma por todos los miembros del grupo de manera equitativa, supone un 10% de la nota de la práctica. El profesor tendrá una lista con los datos de todos los grupos y los enlaces a las organizaciones en GitHub (por ejemplo AAM26-G02, la del grupo 2 del curso Aprendizaje Automático y Minería de Datos 2026-2027) donde se encontrarán los repositorios de las prácticas (por ejemplo AAM26-G02-P0).
Revisión de la documentación
En esta primera fase de revisión hay un único entregable:
- Cuaderno interactivo incompleto pero esbozado según la estructura recomendada por el profesor y presentada en el README.md. Supone un 10% de la nota.
Revisión del resultado
En esta segunda fase de revisión el entregable es el mismo:
- Proyecto con todos los ficheros de documentación, recursos, código fuente y resultados de la implementación, generalmente datos en formato CSV, cuadernos interactivos en formato IPYNB, aunque puedan aparecer Unity y C# en algunas prácticas (llamado por ejemplo AAM26_G02_P0). Supone un 20% de la nota. La documentación tiene tantas secciones como características a probar (esto es A, B, C, D y E). Supone un 10% de la nota. Cada característica del estudio (A, B, C, D y E) correctamente implementada supone un 10% de la nota, sumando un total de 50%.
Más información
Además de la bibliografía recomendada, se pueden investigar las siguientes referencias. En ningún caso se debe replicar código de terceros o de IA sin entenderlo bien y «hacerlo nuestro», y siempre asegurándonos de que funciona exactamente como se requiere en esta práctica.
- Magic: The Gathering, el juego de cartas original
- Magic: The Gathering Arena, la versión digital del juego
- 17Lands, datos abiertos sobre Magic: The Gathering Arena
Se pueden realizar ampliaciones para ir más allá en el aprendizaje.
- Descarga datos reales de 17Lands, límpialos, fíltralos y trata de repetir el análisis de esta práctica con ellos.
- Prueba a repetir el proceso para datos de otros juegos como Hearthstone.
Esta página está licenciada bajo CC BY-NC-SA 4.0 por Laboratorios Narratech.