
import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib
import numpy as np

class TestTask(unittest.TestCase):
    def setUp(self):
        import user_code
        self.user_code = user_code
        self.ratings_matrix = np.array([
            [5, 3, 0, 1],
            [4, 0, 0, 1],
            [1, 1, 0, 5],
            [1, 0, 0, 4],
            [0, 1, 5, 4],
        ])

    def test_output_shape(self):
        # Check output shape matches input
        approx = self.user_code.compute_svd_recommendation(self.ratings_matrix, k=2)
        _dynamic_test(
            self,
            approx.shape == self.ratings_matrix.shape,
            "Reconstructed matrix has correct shape",
            f"Expected shape {self.ratings_matrix.shape}, got {approx.shape}"
        )

    def test_rank2_approximation(self):
        # Check that the approximation is close to the original for k=2
        approx = self.user_code.compute_svd_recommendation(self.ratings_matrix, k=2)
        # Should not be exactly same, but should be close for observed values
        observed = self.ratings_matrix != 0
        diff = np.abs(self.ratings_matrix[observed] - approx[observed])
        _dynamic_test(
            self,
            np.all(diff < 2.5),
            "Approximation is reasonably close to original observed ratings",
            f"Differences too large in reconstructed values: {diff}"
        )

    def test_k1_approximation(self):
        # For k=1, the approximation should be lower rank and less accurate
        approx_k1 = self.user_code.compute_svd_recommendation(self.ratings_matrix, k=1)
        approx_k2 = self.user_code.compute_svd_recommendation(self.ratings_matrix, k=2)
        mse_k1 = np.mean((self.ratings_matrix - approx_k1)**2)
        mse_k2 = np.mean((self.ratings_matrix - approx_k2)**2)
        _dynamic_test(
            self,
            mse_k2 < mse_k1,
            "Rank-2 approximation is more accurate than rank-1",
            f"Expected MSE for k=2 ({mse_k2}) < MSE for k=1 ({mse_k1})"
        )

    def test_zero_k(self):
        # For k=0, should return a zero matrix
        approx = self.user_code.compute_svd_recommendation(self.ratings_matrix, k=0)
        _dynamic_test(
            self,
            np.allclose(approx, 0),
            "k=0 returns a zero matrix",
            f"Expected all zeros for k=0, got {approx}"
        )

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)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


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 en latent egenskab i konteksten af anbefalingssystemer?

Hvordan hjælper SVD med at forudsige manglende vurderinger?

Hvad indikerer en lav gennemsnitlig kvadreret fejl?

Hvilken metrik er bedst til at evaluere rangordningskvalitet?

Hvad er den største udfordring ved matrixfaktorisering på sparsomme data?

Hvordan kan dimensionalitetsreduktion forbedre anbefalingskvaliteten?

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: Beregning af en SVD

Løsning