
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

Behersk ferdighetene som trengs for å designe, implementere og skalere moderne anbefalingsmotorer og transaksjonelle assosiasjonsmodeller. Gå fra å analysere rå detaljhandelstransaksjoner ved hjelp av klassiske algoritmiske prinsipper som Apriori og FP-Growth til å bygge avanserte personaliseringssystemer via kollaborativ filtrering og matrisefaktorisering. Lær hvordan du kan utvikle datapipelines som driver moderne digitale butikkers oppdagelseslag og øker brukerengasjement.

Oppdag hvordan du kan finne skjulte sammenhenger i store transaksjonsdatastrukturer. Lær de grunnleggende matematiske rammeverkene som detaljhandelsgiganter bruker for å optimalisere hylleplassering, lagerstrukturer og produktpakkeringsstrategier.

Hva er en latent egenskap i konteksten av anbefalingssystemer?

Hvordan hjelper SVD med å forutsi manglende vurderinger?

Hva indikerer en lav gjennomsnittlig kvadrert feil?

Hvilket mål er best for å evaluere rangeringens kvalitet?

Hva er den største utfordringen med matrisefaktorisering på sparsomme data?

Hvordan kan dimensjonsreduksjon forbedre anbefalingskvaliteten?

Ta algoritmekunnskapen din til neste nivå ved å håndtere store mengder bedriftsdata uten minneproblemer. Bli ekspert på høyytelses komprimerte trær og lær hvordan du kan eliminere kommersiell støy fra regelmønstre.

Få praktisk erfaring med å bygge anbefalingsmotorer som driver moderne digitale plattformer. Lær hvordan du kan se forbi produktgrupperinger for å kartlegge historiske brukerhandlinger, vurderinger og delte forbrukervaner.

Fordyp deg i de matematiske grunnprinsippene for avanserte maskinlæringsmodeller for sparsomme datasett. Lær hvordan man avdekker latente egenskaper skjult i flerdimensjonale brukerresponsdata for å forutsi manglende interaksjoner med høy nøyaktighet.

Utfordring: Beregning av en SVD

Løsning