import unittest
import numpy as np
import user_code  # ÑÑÑÐ´ÐµÐ½ÑÑÑÐºÐ¸Ð¹ ÐºÐ¾Ð´

def _dynamic(tc, ok, ok_msg, fail_msg):
    tc._testMethodName = ok_msg if ok else fail_msg
    (tc.assertTrue if ok else tc.fail)(tc._testMethodName)

class TestGradientDescent(unittest.TestCase):

    def test_hyperparameters(self):
        alpha = getattr(user_code, "alpha", None)
        iterations = getattr(user_code, "iterations", None)

        reasons = []
        if alpha is None or not (0 < alpha < 1):
            reasons.append(f"alpha should be a small positive value, got {alpha}")
        if iterations is None or iterations < 10:
            reasons.append(f"iterations should be >= 100, got {iterations}")

        _dynamic(self, not reasons,
                 "PASS: hyperparameters are reasonable",
                 "FAIL: " + "; ".join(reasons))

    def test_predictions_shape(self):
        x = user_code.x
        y_final = getattr(user_code, "y_final", None)
        ok = isinstance(y_final, np.ndarray) and y_final.shape == x.shape
        _dynamic(self, ok,
                 "PASS: y_final shape matches x",
                 f"FAIL: y_final has wrong shape {None if y_final is None else y_final.shape}")

    def test_learned_parameters(self):
        m = getattr(user_code, "m", None)
        b = getattr(user_code, "b", None)

        # ÐÑÑÐºÑÐ²Ð°Ð½Ð° Ð»ÑÐ½ÑÑ: y â 5x + 25
        reasons = []
        if m is None or not np.isclose(m, 5.0, rtol=0.1):
            reasons.append(f"slope m expected â 5.0, got {m}")
        if b is None or not np.isclose(b, 25.0, rtol=0.1):
            reasons.append(f"intercept b expected â 25.0, got {b}")

        _dynamic(self, not reasons,
                 "PASS: learned m and b are correct",
                 "FAIL: " + "; ".join(reasons))


test_code.py

Behersk de matematiske grundlag, der er essentielle for datavidenskab. Udforsk centrale begreber inden for funktioner, calculus, lineær algebra, sandsynlighed og dimensionalitetsreduktion. Opbyg både teoretisk forståelse og praktisk kodningserfaring for at styrke evnen til at analysere data, modellere komplekse systemer og anvende avancerede teknikker inden for maskinlæring.

Undersøg grundlaget for matematiske funktioner. Lær om forskellige typer algebraiske og transcendentale funktioner, deres egenskaber, og hvordan de implementeres i Python til løsning af virkelige problemer.

Behersk begreberne mængder og rækker, fra grundlæggende operationer til praktiske anvendelser. Opnå praktisk erfaring med implementering af mængdeoperationer og arbejde med aritmetiske og geometriske rækker i Python.

Opnå et solidt kendskab til grænseværdier, differentialkvotienter, integraler og partialafledte. Forbind teori med praksis ved at implementere disse begreber i Python og anvende dem på optimering gennem gradient descent.

Opbyg solid viden om vektorer, matricer og transformationer. Lær dekompositionsmetoder og egenværdianalyse, samtidig med at begreberne styrkes gennem Python-kodeudfordringer og praktiske data science-anvendelser.

Dyk ned i sandsynlighedsteori og statistik. Undersøg betinget sandsynlighed, Bayes' sætning og statistiske mål. Implementer centrale begreber i Python, simuler fordelinger, og styrk dine færdigheder gennem udfordringer og quizzer.

Udfordring: Tilpasning af en Linje med Gradientnedstigning

Løsning

Awesome!

Udfordring: Tilpasning af en Linje med Gradientnedstigning

Løsning