
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

Оволодіння навичками проєктування, впровадження та масштабування сучасних систем рекомендацій і моделей асоціацій у транзакційних даних. Перехід від аналізу сирих роздрібних чеків із використанням класичних алгоритмічних принципів, таких як Apriori та FP-Growth, до створення розвинених систем персоналізації на основі колаборативної фільтрації та матричної факторизації. Вивчення інженерії дата-пайплайнів, які забезпечують роботу сучасних цифрових вітрин і підвищують показники залучення користувачів.

Дізнайтеся, як знаходити приховані взаємозв'язки у великих структурах транзакційних даних. Ознайомтеся з основними математичними підходами, які використовують великі роздрібні компанії для оптимізації розміщення товарів на полицях, структури запасів та стратегій комплектування продуктів.

Що таке прихована ознака у контексті рекомендованих систем?

Як SVD допомагає у прогнозуванні відсутніх оцінок?

Що означає низька середньоквадратична помилка?

Яка метрика найкраще підходить для оцінки якості ранжування?

Яка основна проблема факторизації матриці на розріджених даних?

Як зниження розмірності може покращити якість рекомендацій?

Поглиблення алгоритмічних знань шляхом обробки великих корпоративних транзакційних даних без збоїв пам'яті. Оволодіння високопродуктивними стисненими деревами та виявлення способів усунення комерційного шуму з шаблонів правил.

Отримайте практичний досвід у створенні рекомендованих систем, які забезпечують роботу сучасних цифрових платформ. Дізнайтеся, як виходити за межі групування продуктів для аналізу історичних поведінкових даних користувачів, оцінок і спільних споживчих звичок.

Занурення у математичні основи передових моделей машинного навчання для розріджених наборів даних. Виявлення прихованих латентних ознак у багатовимірних даних відгуків користувачів для точного прогнозування відсутніх взаємодій.

Challenge: Computing an SVD

Рішення