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

Domine os fundamentos matemáticos essenciais para ciência de dados. Explore conceitos centrais em funções, cálculo, álgebra linear, probabilidade e redução de dimensionalidade. Desenvolva tanto o entendimento teórico quanto a experiência prática em programação para aprimorar sua capacidade de analisar dados, modelar sistemas complexos e aplicar técnicas avançadas em aprendizado de máquina.

Explore os fundamentos das funções matemáticas. Conheça diferentes tipos de funções algébricas e transcendentais, suas propriedades e como implementá-las em Python para resolver problemas do mundo real.

Domine os conceitos de conjuntos e séries, desde operações básicas até aplicações práticas. Adquira experiência prática implementando operações com conjuntos e trabalhando com séries aritméticas e geométricas em Python.

Desenvolva uma compreensão sólida de limites, derivadas, integrais e derivadas parciais. Conecte a teoria à prática implementando esses conceitos em Python e aplicando-os à otimização por meio do gradiente descendente.

Construa conhecimento sólido sobre vetores, matrizes e transformações. Aprenda métodos de decomposição e análise de autovalores, reforçando os conceitos com desafios de programação em Python e aplicações práticas em ciência de dados.

Explore teoria da probabilidade e estatística. Estude probabilidade condicional, teorema de Bayes e medidas estatísticas. Implemente conceitos fundamentais em Python, simule distribuições e aprimore suas habilidades por meio de desafios e questionários.

Desafio: Ajuste de Uma Reta com Gradiente Descendente

Solução

Awesome!

Desafio: Ajuste de Uma Reta com Gradiente Descendente

Solução