import unittest
import user_code
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        import user_code
        importlib.reload(user_code)
        self.user_code = user_code

    def test_basic_frequency(self):
        transactions = [
            ['a', 'b', 'c'],
            ['b', 'c', 'd'],
            ['a', 'b', 'd'],
            ['a', 'c', 'd', 'e'],
            ['a', 'b', 'c', 'd']
        ]
        min_support = 3
        result = self.user_code.find_frequent_single_items(transactions, min_support)
        expected = [('a', 4), ('b', 4), ('c', 4), ('d', 4)]
        _dynamic_test(
            self,
            isinstance(result, list),
            "Returned value is a list",
            f"Returned value is not a list: {type(result)}"
        )
        _dynamic_test(
            self,
            all(isinstance(x, tuple) and len(x) == 2 for x in result),
            "Each element is a tuple (item, support)",
            f"Result contains non-tuple elements: {result}"
        )
        _dynamic_test(
            self,
            sorted(result) == sorted(expected),
            "Correct frequent items for min_support 3",
            f"Expected {expected}, got {result}"
        )

    def test_sorting(self):
        transactions = [
            ['x', 'y', 'z'],
            ['y', 'z'],
            ['x', 'y'],
            ['y'],
            ['x', 'y', 'z']
        ]
        min_support = 2
        result = self.user_code.find_frequent_single_items(transactions, min_support)
        expected = [('y', 5), ('x', 3), ('z', 3)]
        _dynamic_test(
            self,
            result == expected,
            "Items sorted by support desc, then lexicographically",
            f"Expected {expected}, got {result}"
        )

    def test_min_support(self):
        transactions = [
            ['a'],
            ['b'],
            ['c'],
            ['d'],
            ['e']
        ]
        min_support = 1
        result = self.user_code.find_frequent_single_items(transactions, min_support)
        expected = [('a', 1), ('b', 1), ('c', 1), ('d', 1), ('e', 1)]
        _dynamic_test(
            self,
            sorted(result) == sorted(expected),
            "All items returned when min_support is 1",
            f"Expected {expected}, got {result}"
        )

    def test_empty_result(self):
        transactions = [
            ['a', 'b'],
            ['b', 'c'],
            ['c', 'd']
        ]
        min_support = 5
        result = self.user_code.find_frequent_single_items(transactions, min_support)
        _dynamic_test(
            self,
            result == [],
            "Returns empty list if no items meet min_support",
            f"Expected empty list, got {result}"
        )

    def test_sample_dataset(self):
        transactions = [
            ['milk', 'bread', 'eggs'],
            ['bread', 'butter'],
            ['milk', 'bread', 'butter', 'eggs'],
            ['bread', 'eggs'],
            ['milk', 'bread', 'eggs'],
            ['butter', 'eggs'],
            ['milk', 'bread'],
            ['milk', 'eggs'],
            ['bread', 'butter'],
            ['milk', 'bread', 'eggs', 'butter']
        ]
        min_support = 3
        result = self.user_code.find_frequent_single_items(transactions, min_support)
        expected = [('bread', 8), ('eggs', 7), ('milk', 6), ('butter', 5)]
        _dynamic_test(
            self,
            result == expected,
            "Correct frequent items for sample dataset",
            f"Expected {expected}, got {result}"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


test_main.py

Behersk de nødvendige færdigheder til at designe, implementere og skalere moderne anbefalingsmotorer og transaktionsbaserede associationsmodeller. Gå fra at analysere rå detailkøb ved hjælp af klassiske algoritmiske principper som Apriori og FP-Growth til at opbygge avancerede personaliseringssystemer via kollaborativ filtrering og matrixfaktorisering. Lær at udvikle datapipelines, der driver moderne digitale butiksfacader og øger brugerengagements-målinger.

Opdag, hvordan man finder skjulte relationer i massive transaktionsdatastrukturer. Lær de centrale matematiske rammer, som detailgiganter bruger til at optimere hyldeplacering, lagerstrukturer og produktbundlingsstrategier.

**Hvad er den primære fordel ved FP-Growth i forhold til Apriori?**

Hvordan komprimerer en FP-Tree transaktionsdata?

Hvad er en almindelig metode til at filtrere irrelevante regler fra?

Hvilken måleenhed er mest nyttig til at identificere værdifulde produktpakker?

Hvornår bliver Apriori upraktisk for store datasæt?

Hvad er en redundant regel i associationsanalyse?

Tag din algoritmiske viden til næste niveau ved at håndtere store virksomhedstransaktionsdata uden hukommelsesnedbrud. Opnå ekspertise i højtydende komprimerede træer og lær, hvordan man eliminerer kommerciel støj fra regelmønstre.

Få praktisk erfaring med at opbygge anbefalingsmotorer, der driver moderne digitale platforme. Lær at se ud over produktgrupperinger for at kortlægge historiske brugeradfærd, vurderinger og delte forbrugsvaner.

Dyk ned i de matematiske grundprincipper for avancerede maskinlæringsmodeller til sparsomme datasæt. Lær, hvordan man afdækker latente egenskaber skjult i multidimensionelle brugerfeedbackdata for nøjagtigt at forudsige manglende interaktioner.

Challenge: Alle Hyppige Elementer

Løsning