
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

現代のレコメンデーションエンジンおよびトランザクション関連モデルの設計、実装、スケーリングに必要なスキルを習得します。AprioriやFP-Growthなどの古典的なアルゴリズム原理を用いて生の小売チェックアウトデータを分析することから、協調フィルタリングや行列分解による高度なパーソナライゼーションシステムの構築までを学びます。現代のデジタルストアフロントの発見レイヤーを支え、ユーザーエンゲージメント指標を向上させるデータパイプラインの設計方法を習得します。

膨大なトランザクションデータ構造内に隠された関係性を発見する方法を学びます。小売大手が棚配置、在庫構造、商品バンドル戦略を最適化するために使用する主要な数学的フレームワークについて習得します。

レコメンデーションシステムの文脈における潜在特徴とは何か？

SVDはどのようにして欠損評価値の予測に役立つか？

平均二乗誤差が低いことは何を示すか？

ランキング品質を評価するのに最適な指標はどれですか？

スパースデータに対する行列分解の主な課題は何ですか？

次元削減はどのように推薦品質を向上させますか？

メモリクラッシュを回避しながら、大規模な企業取引データを扱うことでアルゴリズムの知識を次のレベルへ引き上げます。高性能な圧縮ツリーを習得し、ルールパターンから商業的ノイズを排除する方法を学びます。

現代のデジタルプラットフォームを支えるレコメンデーションエンジンの構築を実践的に体験します。商品グループを超えて、過去のユーザー行動、評価、共有された消費者習慣をマッピングする方法を学びます。

スパースデータセット向けの高度な機械学習モデルの数学的基礎を深く学びます。多次元のユーザーフィードバックデータに隠された潜在特徴を発見し、欠損しているインタラクションを正確に予測する方法を習得します。

チャレンジ：SVDの計算

解答