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 TestCompoundInterest(unittest.TestCase):

    def test_total_and_interest(self):
        # ÐÑÑÐ´Ð½Ñ Ð·Ð½Ð°ÑÐµÐ½Ð½Ñ
        P = getattr(user_code, "P", None)
        r = getattr(user_code, "r", None)
        n = getattr(user_code, "n", None)
        t = getattr(user_code, "t", None)

        A_expected = P * (1 + r/n) ** (n*t)
        interest_expected = A_expected - P

        A = getattr(user_code, "A", None)
        interest = getattr(user_code, "interest_earned", None)

        reasons = []
        if A is None or not np.isclose(A, A_expected, rtol=1e-6):
            reasons.append(f"A mismatch; expectedâ{A_expected:.2f}, got {A}")
        if interest is None or not np.isclose(interest, interest_expected, rtol=1e-6):
            reasons.append(f"interest mismatch; expectedâ{interest_expected:.2f}, got {interest}")

        _dynamic(self, not reasons,
                 "PASS: A and interest_earned are correct",
                 "FAIL: " + "; ".join(reasons))

    def test_amounts_growth(self):
        P = user_code.P
        r = user_code.r
        n = user_code.n
        t = user_code.t

        years = np.linspace(0, t, t * n + 1)
        amounts_expected = P * (1 + r/n) ** (n * years)

        amounts = getattr(user_code, "amounts", None)

        ok = amounts is not None and np.allclose(amounts, amounts_expected, rtol=1e-6)
        _dynamic(self, ok,
                 "PASS: amounts growth over time is correct",
                 "FAIL: amounts array is incorrect or missing")


test_code.py

Behersk de matematiske grundlag, der er essentielle for datavidenskab. Udforsk kernebegreber inden for funktioner, calculus, lineær algebra, sandsynlighed og dimensionsreduktion. Opbyg både teoretisk forståelse og praktisk kodningserfaring for at styrke din evne 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 gradientnedstigning.

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: Forudsigelse af Opsparingsvækst

Løsning

Udfordring: Forudsigelse af Opsparingsvækst

Løsning