
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

Beherrschen Sie die Fähigkeiten, die erforderlich sind, um moderne Empfehlungssysteme und transaktionale Assoziationsmodelle zu entwerfen, zu implementieren und zu skalieren. Analysieren Sie Rohdaten aus Einzelhandels-Transaktionen mit klassischen algorithmischen Prinzipien wie Apriori und FP-Growth und entwickeln Sie fortschrittliche Personalisierungssysteme mittels kollaborativem Filtern und Matrixfaktorisierung. Lernen Sie, wie man Datenpipelines entwickelt, die moderne digitale Storefront-Entdeckungsschichten antreiben und Nutzerbindungsmetriken verbessern.

Entdecken Sie, wie verborgene Zusammenhänge in umfangreichen transaktionalen Datenstrukturen aufgedeckt werden können. Lernen Sie die grundlegenden mathematischen Rahmenwerke kennen, die von Einzelhandelsriesen zur Optimierung der Regalplatzierung, der Lagerstrukturen und der Produktbündelungsstrategien verwendet werden.

Was ist ein latentes Merkmal im Kontext von Empfehlungssystemen?

Wie hilft SVD bei der Vorhersage fehlender Bewertungen?

Was zeigt ein niedriger mittlerer quadratischer Fehler an?

Welches Maß eignet sich am besten zur Bewertung der Rangfolgequalität?

Was ist die größte Herausforderung der Matrixfaktorisierung bei spärlichen Daten?

Wie kann Dimensionsreduktion die Empfehlungsqualität verbessern?

Bringen Sie Ihr algorithmisches Wissen auf die nächste Stufe, indem Sie umfangreiche Unternehmens-Transaktionsdaten ohne Speicherabstürze verarbeiten. Beherrschen Sie hochleistungsfähige komprimierte Bäume und entdecken Sie Methoden zur Eliminierung von kommerziellem Rauschen aus Regelmustern.

Sammeln Sie praktische Erfahrungen beim Aufbau von Empfehlungssystemen, die moderne digitale Plattformen antreiben. Lernen Sie, über Produktgruppierungen hinauszublicken, um historische Nutzerverhalten, Bewertungen und gemeinsame Konsumgewohnheiten abzubilden.

Tauchen Sie ein in die mathematischen Grundlagen fortgeschrittener Machine-Learning-Modelle für spärliche Datensätze. Erfahren Sie, wie latente Merkmale in mehrdimensionalen Benutzerfeedback-Daten aufgedeckt werden können, um fehlende Interaktionen präzise vorherzusagen.

Challenge: Berechnung einer SVD

Lösung