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

Beherrschung der mathematischen Grundlagen, die für Data Science unerlässlich sind. Untersuchung zentraler Konzepte in Funktionen, Analysis, Linearer Algebra, Wahrscheinlichkeit und Dimensionsreduktion. Aufbau sowohl theoretischer Kenntnisse als auch praktischer Programmiererfahrung zur Stärkung der Fähigkeit, Daten zu analysieren, komplexe Systeme zu modellieren und fortgeschrittene Techniken im maschinellen Lernen anzuwenden.

Erkunden Sie die Grundlagen mathematischer Funktionen. Verschiedene Typen algebraischer und transzendenter Funktionen, deren Eigenschaften sowie deren Implementierung in Python zur Lösung praxisnaher Probleme.

Beherrschen Sie die Konzepte von Mengen und Reihen, von grundlegenden Operationen bis zu praktischen Anwendungen. Sammeln Sie praktische Erfahrungen bei der Implementierung von Mengenoperationen sowie beim Arbeiten mit arithmetischen und geometrischen Reihen in Python.

Fundiertes Verständnis von Grenzwerten, Ableitungen, Integralen und partiellen Ableitungen. Verbindung von Theorie und Praxis durch Implementierung dieser Konzepte in Python und Anwendung auf Optimierung mittels Gradientenabstieg.

Fundierte Kenntnisse über Vektoren, Matrizen und Transformationen. Vermittlung von Zerlegungsmethoden und Eigenwertanalyse, mit Vertiefung der Konzepte durch Python-Programmierungsaufgaben und praxisnahe Anwendungen in der Datenwissenschaft.

Vertiefung in Wahrscheinlichkeitstheorie und Statistik. Untersuchung von bedingter Wahrscheinlichkeit, Satz von Bayes und statistischen Kennzahlen. Umsetzung zentraler Konzepte in Python, Simulation von Verteilungen sowie Festigung der Kenntnisse durch Herausforderungen und Quizfragen.

Herausforderung: Anpassung Einer Geraden Mit Gradientenabstieg

Lösung

Awesome!

Herausforderung: Anpassung Einer Geraden Mit Gradientenabstieg

Lösung