import unittest
import numpy as np
import user_code  

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):
        
        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

Beherrschen Sie die mathematischen Grundlagen, die für Data Science unerlässlich sind. Erkunden Sie zentrale Konzepte in Funktionen, Analysis, Linearer Algebra, Wahrscheinlichkeit und Dimensionsreduktion. Erwerben Sie sowohl theoretisches Verständnis als auch praktische Programmiererfahrung, um Ihre Fähigkeiten zur Datenanalyse, Modellierung komplexer Systeme und Anwendung fortgeschrittener Methoden im maschinellen Lernen zu stärken.

Erkunden Sie die Grundlagen mathematischer Funktionen. Verschiedene Typen algebraischer und transzendenter Funktionen, deren Eigenschaften sowie deren Implementierung in Python zur Lösung praxisnaher Probleme.

Beherrschen Sie die Konzepte von Mengen und Reihen, von grundlegenden Operationen bis zu praktischen Anwendungen. Sammeln Sie praktische Erfahrungen bei der Implementierung von Mengenoperationen sowie beim Arbeiten mit arithmetischen und geometrischen Reihen in Python.

Fundiertes Verständnis von Grenzwerten, Ableitungen, Integralen und partiellen Ableitungen. Verbindung von Theorie und Praxis durch Implementierung dieser Konzepte in Python und Anwendung auf Optimierung mittels Gradientenabstieg.

Fundierte Kenntnisse über Vektoren, Matrizen und Transformationen. Vermittlung von Zerlegungsmethoden und Eigenwertanalyse, mit Vertiefung der Konzepte durch Python-Programmierungsaufgaben und praxisnahe Anwendungen in der Datenwissenschaft.

Vertiefung in Wahrscheinlichkeitstheorie und Statistik. Untersuchung von bedingter Wahrscheinlichkeit, Satz von Bayes und statistischen Kennzahlen. Umsetzung zentraler Konzepte in Python, Simulation von Verteilungen sowie Festigung der Kenntnisse durch Herausforderungen und Quizfragen.

Herausforderung: Vorhersage des Sparwachstums

Lösung

Herausforderung: Vorhersage des Sparwachstums

Lösung