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

Maîtrisez les bases mathématiques essentielles pour la science des données. Explorez les concepts fondamentaux des fonctions, du calcul différentiel et intégral, de l'algèbre linéaire, de la probabilité et de la réduction de dimensionnalité. Développez à la fois une compréhension théorique et une expérience pratique du codage afin de renforcer votre capacité à analyser des données, modéliser des systèmes complexes et appliquer des techniques avancées en apprentissage automatique.

Explorez les bases des fonctions mathématiques. Découvrez différents types de fonctions algébriques et transcendantes, leurs propriétés, ainsi que leur implémentation en Python pour résoudre des problèmes concrets.

Maîtrise des concepts d'ensembles et de séries, des opérations de base aux applications pratiques. Expérience pratique de la mise en œuvre des opérations sur les ensembles et du travail avec les séries arithmétiques et géométriques en Python.

Acquisition d'une compréhension approfondie des limites, dérivées, intégrales et dérivées partielles. Mise en relation de la théorie et de la pratique par l'implémentation de ces concepts en Python et leur application à l'optimisation via la descente de gradient.

Acquisition de connaissances solides sur les vecteurs, les matrices et les transformations. Étude des méthodes de décomposition et de l'analyse des valeurs propres, avec consolidation des concepts à travers des exercices de programmation Python et des applications pratiques en science des données.

Approfondissement de la théorie des probabilités et des statistiques. Étude de la probabilité conditionnelle, du théorème de Bayes et des mesures statistiques. Mise en œuvre des concepts clés en Python, simulation de distributions et consolidation des compétences par des exercices et des quiz.

Défi : Prédire la Croissance de l'Épargne

Solution

Défi : Prédire la Croissance de l'Épargne

Solution