
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

Hallitse taidot, joita tarvitaan nykyaikaisten suositusjärjestelmien ja transaktioihin perustuvien assosiaatiomallien suunnitteluun, toteutukseen ja skaalaamiseen. Siirry raakojen vähittäiskaupan ostotapahtumien analysoinnista klassisten algoritmisten periaatteiden, kuten Apriori- ja FP-Growth-algoritmien, avulla edistyneiden personointijärjestelmien rakentamiseen yhteistyösuodatuksen ja matriisihajotelman keinoin. Opi rakentamaan dataputkia, jotka mahdollistavat nykyaikaisten digitaalisten kauppapaikkojen löytökerrokset ja ohjaavat käyttäjien sitoutumismittareita.

Opi löytämään piilotettuja yhteyksiä laajoista transaktiotietorakenteista. Tutustu keskeisiin matemaattisiin viitekehyksiin, joita vähittäiskaupan jättiläiset käyttävät hyllyjen sijoittelun, varastorakenteiden ja tuotekimppujen optimointiin.

Mitä tarkoitetaan latentilla piirteellä suositusjärjestelmien yhteydessä?

Miten SVD auttaa puuttuvien arvosanojen ennustamisessa?

Mikä metriikka soveltuu parhaiten järjestyksen laadun arviointiin?

Mikä on matriisifaktorisoinnin suurin haaste harvassa datassa?

Miten ulottuvuuksien vähentäminen voi parantaa suositusten laatua?

Vie algoritmiosaamisesi uudelle tasolle käsittelemällä suuria yritysten transaktiodatoja ilman muistiongelmia. Hallitse suorituskykyiset pakatut puut ja opi poistamaan kaupallinen kohina sääntökuvioista.

Saat käytännön kokemusta suositusmoottoreiden rakentamisesta, jotka ovat nykyaikaisten digitaalisten alustojen taustalla. Opit tarkastelemaan tuotekategorioiden ohi kartoittaaksesi historiallisia käyttäjätoimintoja, arvioita ja yhteisiä kulutustottumuksia.

Sukella harvalukuisten aineistojen edistyneiden koneoppimismallien matemaattisiin perusteisiin. Opi paljastamaan piilevät ominaisuudet moniulotteisesta käyttäjäpalautedatasta ennustaaksesi puuttuvat vuorovaikutukset tarkasti.

Challenge: SVD:n laskeminen

Ratkaisu