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

Beheers de wiskundige basisprincipes die essentieel zijn voor data science. Verken kernbegrippen in functies, calculus, lineaire algebra, kansrekening en dimensionaliteitsreductie. Bouw zowel theoretisch inzicht als praktische programmeerervaring op om het vermogen te versterken om data te analyseren, complexe systemen te modelleren en geavanceerde technieken in machine learning toe te passen.

Verken de basis van wiskundige functies. Maak kennis met verschillende typen algebraïsche en transcendente functies, hun eigenschappen en de implementatie ervan in Python voor het oplossen van praktijkproblemen.

Beheers de concepten van verzamelingen en reeksen, van basisbewerkingen tot praktische toepassingen. Doe praktische ervaring op met het implementeren van verzamelingbewerkingen en het werken met rekenkundige en meetkundige reeksen in Python.

Ontwikkel een grondig begrip van limieten, afgeleiden, integralen en partiële afgeleiden. Verbind theorie met praktijk door deze concepten te implementeren in Python en toe te passen op optimalisatie via gradient descent.

Solide kennis van vectoren, matrices en transformaties. Inzicht in ontbindingsmethoden en eigenwaardeanalyse, met versterking van concepten door Python-programmeeruitdagingen en praktische toepassingen in data science.

Verdiep u in kansrekening en statistiek. Bestudeer conditionele kans, de stelling van Bayes en statistische maten. Implementeer kernconcepten in Python, simuleer verdelingen en versterk uw vaardigheden met uitdagingen en quizzen.

Uitdaging: Een Lijn Passen Met Gradient Descent

Oplossing

Awesome!

Uitdaging: Een Lijn Passen Met Gradient Descent

Oplossing