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

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 je 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: Het Voorspellen van Spaarvermogen

Oplossing

Awesome!

Uitdaging: Het Voorspellen van Spaarvermogen

Oplossing