
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

Domine as habilidades necessárias para projetar, implementar e escalar motores de recomendação modernos e modelos de associação transacional. Progrida desde a análise de registros brutos de vendas no varejo utilizando princípios algorítmicos clássicos como Apriori e FP-Growth até a construção de sistemas avançados de personalização por meio de filtragem colaborativa e fatoração de matrizes. Aprenda a desenvolver pipelines de dados que alimentam camadas de descoberta em vitrines digitais modernas e impulsionam métricas de engajamento do usuário.

Descubra como identificar relações ocultas em grandes estruturas de dados transacionais. Aprenda os principais frameworks matemáticos utilizados por grandes varejistas para otimizar a disposição de prateleiras, estruturas de inventário e estratégias de agrupamento de produtos.

O que é uma característica latente no contexto de sistemas de recomendação?

Como o SVD auxilia na previsão de avaliações ausentes?

O que indica um erro quadrático médio baixo?

Qual métrica é melhor para avaliar a qualidade do ranqueamento?

Qual é o principal desafio da fatoração de matrizes em dados esparsos?

Como a redução de dimensionalidade pode melhorar a qualidade das recomendações?

Leve seu conhecimento algorítmico ao próximo nível ao lidar com grandes volumes de dados de transações corporativas sem travamentos de memória. Domine árvores comprimidas de alto desempenho e descubra como eliminar ruídos comerciais dos padrões de regras.

Adquira experiência prática na construção de mecanismos de recomendação que impulsionam as plataformas digitais modernas. Aprenda a ir além dos agrupamentos de produtos para mapear comportamentos históricos dos usuários, avaliações e hábitos de consumo compartilhados.

Aprofunde-se nos fundamentos matemáticos de modelos avançados de machine learning para conjuntos de dados esparsos. Aprenda a descobrir características latentes ocultas em dados multidimensionais de feedback de usuários para prever com precisão interações ausentes.

Desafio: Cálculo de uma SVD

Solução