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

Behärska de matematiska grunderna som är avgörande för datavetenskap. Utforska centrala begrepp inom funktioner, analys, linjär algebra, sannolikhet och dimensionsreduktion. Bygg både teoretisk förståelse och praktisk kodningsvana för att stärka din förmåga att analysera data, modellera komplexa system och tillämpa avancerade tekniker inom maskininlärning.

Utforska grunderna för matematiska funktioner. Lär dig olika typer av algebraiska och transcendenta funktioner, deras egenskaper och hur de implementeras i Python för att lösa verkliga problem.

Behärska begreppen mängder och serier, från grundläggande operationer till praktiska tillämpningar. Få praktisk erfarenhet av att implementera mängdoperationer och arbeta med aritmetiska och geometriska serier i Python.

Utveckla en gedigen förståelse för gränsvärden, derivator, integraler och partiella derivator. Koppla teori till praktik genom att implementera dessa koncept i Python och tillämpa dem på optimering med hjälp av gradientnedstigning.

Bygg gedigna kunskaper om vektorer, matriser och transformationer. Lär dig dekompositionsmetoder och egenvärdesanalys, samtidigt som begreppen förstärks med Python-programmeringsutmaningar och praktiska tillämpningar inom data science.

Fördjupa dig i sannolikhetsteori och statistik. Studera betingad sannolikhet, Bayes sats och statistiska mått. Implementera centrala koncept i Python, simulera fördelningar och stärk dina färdigheter genom utmaningar och frågesporter.

Utmaning: Anpassa en Linje med Gradientnedstigning

Lösning

Awesome!

Utmaning: Anpassa en Linje med Gradientnedstigning

Lösning