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

Domina los fundamentos matemáticos esenciales para la ciencia de datos. Explora conceptos clave en funciones, cálculo, álgebra lineal, probabilidad y reducción de dimensionalidad. Desarrolla tanto la comprensión teórica como la experiencia práctica en programación para fortalecer tu capacidad de analizar datos, modelar sistemas complejos y aplicar técnicas avanzadas en aprendizaje automático.

Explora los fundamentos de las funciones matemáticas. Estudia los diferentes tipos de funciones algebraicas y trascendentales, sus propiedades y cómo implementarlas en Python para resolver problemas del mundo real.

Domina los conceptos de conjuntos y series, desde operaciones básicas hasta aplicaciones prácticas. Adquiere experiencia práctica implementando operaciones con conjuntos y trabajando con series aritméticas y geométricas en Python.

Desarrollar una comprensión sólida de límites, derivadas, integrales y derivadas parciales. Conectar la teoría con la práctica implementando estos conceptos en Python y aplicándolos a la optimización mediante descenso por gradiente.

Desarrolla un conocimiento sólido de vectores, matrices y transformaciones. Aprende métodos de descomposición y análisis de valores propios, reforzando los conceptos con desafíos de codificación en Python y aplicaciones prácticas en ciencia de datos.

Explora la teoría de la probabilidad y la estadística. Estudia la probabilidad condicional, el teorema de Bayes y las medidas estadísticas. Implementa conceptos clave en Python, simula distribuciones y refuerza tus habilidades mediante desafíos y cuestionarios.

Desafío: Ajuste de una Recta con Descenso por Gradiente

Solución