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 TestCompoundInterest(unittest.TestCase):

    def test_total_and_interest(self):
        # ÐÑÑÐ´Ð½Ñ Ð·Ð½Ð°ÑÐµÐ½Ð½Ñ
        P = getattr(user_code, "P", None)
        r = getattr(user_code, "r", None)
        n = getattr(user_code, "n", None)
        t = getattr(user_code, "t", None)

        A_expected = P * (1 + r/n) ** (n*t)
        interest_expected = A_expected - P

        A = getattr(user_code, "A", None)
        interest = getattr(user_code, "interest_earned", None)

        reasons = []
        if A is None or not np.isclose(A, A_expected, rtol=1e-6):
            reasons.append(f"A mismatch; expectedâ{A_expected:.2f}, got {A}")
        if interest is None or not np.isclose(interest, interest_expected, rtol=1e-6):
            reasons.append(f"interest mismatch; expectedâ{interest_expected:.2f}, got {interest}")

        _dynamic(self, not reasons,
                 "PASS: A and interest_earned are correct",
                 "FAIL: " + "; ".join(reasons))

    def test_amounts_growth(self):
        P = user_code.P
        r = user_code.r
        n = user_code.n
        t = user_code.t

        years = np.linspace(0, t, t * n + 1)
        amounts_expected = P * (1 + r/n) ** (n * years)

        amounts = getattr(user_code, "amounts", None)

        ok = amounts is not None and np.allclose(amounts, amounts_expected, rtol=1e-6)
        _dynamic(self, ok,
                 "PASS: amounts growth over time is correct",
                 "FAIL: amounts array is incorrect or missing")


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: Previsione della Crescita dei Risparmi

Soluzione

Awesome!

Sfida: Previsione della Crescita dei Risparmi

Soluzione