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

Padroneggia le basi matematiche essenziali per la data science. Esplora concetti fondamentali su funzioni, calcolo, algebra lineare, probabilità e riduzione della dimensionalità. Costruisci sia una comprensione teorica sia esperienza pratica di programmazione per rafforzare la capacità di analizzare dati, modellare sistemi complessi e applicare tecniche avanzate nel machine learning.

Esplora le basi delle funzioni matematiche. Scopri i diversi tipi di funzioni algebriche e trascendenti, le loro proprietà e come implementarle in Python per risolvere problemi reali.

Padroneggia i concetti di insiemi e serie, dalle operazioni di base alle applicazioni pratiche. Acquisisci esperienza pratica nell'implementazione delle operazioni sugli insiemi e nel lavoro con serie aritmetiche e geometriche in Python.

Sviluppare una solida comprensione di limiti, derivate, integrali e derivate parziali. Collegare la teoria alla pratica implementando questi concetti in Python e applicandoli all'ottimizzazione tramite discesa del gradiente.

Acquisizione di solide conoscenze su vettori, matrici e trasformazioni. Studio dei metodi di decomposizione e analisi degli autovalori, con consolidamento dei concetti tramite esercizi di programmazione in Python e applicazioni pratiche nella data science.

Approfondimento sulla teoria della probabilità e sulla statistica. Studio della probabilità condizionata, del teorema di Bayes e delle misure statistiche. Implementazione dei concetti chiave in Python, simulazione di distribuzioni e consolidamento delle competenze tramite esercizi e quiz.

Sfida: Adattamento di una Retta con Discesa del Gradiente

Soluzione

Awesome!

Sfida: Adattamento di una Retta con Discesa del Gradiente

Soluzione