Diferentemente de uma variável Python tradicional, x representa um símbolo matemático.
Podemos criar uma expressão:
expr = x**2 + 2*x + 1expr
O SymPy consegue reconhecer a estrutura matemática da expressão.
4. Simplificação algébrica
Por exemplo:
expr = x**2 + 2*x + 1sp.factor(expr)
Resultado:
(x + 1)²
Também podemos expandir:
sp.expand((x + 1)**2)
Resultado:
x² + 2x + 1
Podemos pensar no processo:
5. Resolvendo equações
O SymPy também pode resolver equações simbolicamente.
x = sp.Symbol("x")equacao = x**2 - 4sp.solve(equacao, x)
Resultado:
[-2, 2]
Ou seja:
x2−4=0
possui as soluções:
x=−2
e
x=2
6. Derivadas
Essa é uma das funcionalidades mais interessantes para quem estuda Machine Learning e Deep Learning.
Considere:
f(x)=x3+2x2+x
Podemos calcular a derivada:
x = sp.Symbol("x")f = x**3 + 2*x**2 + xsp.diff(f, x)
Resultado:
3*x**2 + 4*x + 1
Matematicamente:
dxdf=3x2+4x+1
Podemos inclusive calcular derivadas de ordem superior:
sp.diff(f, x, 2)
Isso calcula:
dx2d2f
7. Por que isso é importante para Deep Learning?
Redes neurais dependem fortemente de derivadas e gradientes.
Uma representação simplificada:
O processo de backpropagation depende da regra da cadeia.
Por exemplo:
L=(y−y^)2
e:
y^=wx+b
O SymPy pode nos ajudar a derivar matematicamente:
w, x, b, y = sp.symbols("w x b y")y_hat = w*x + bloss = (y - y_hat)**2sp.diff(loss, w)
O resultado representa:
∂w∂L
Isso é exatamente o tipo de matemática que está por trás da atualização dos pesos de uma rede neural.
8. Integrais com SymPy
O SymPy também possui suporte para integração simbólica.
Por exemplo:
x = sp.Symbol("x")sp.integrate(sp.cos(x), x)
Resultado:
sin(x)
O material oficial do SymPy também demonstra a utilização de integrate() para integrais indefinidas e definidas.
Para uma integral definida:
sp.integrate( sp.exp(-x), (x, 0, sp.oo))
Resultado:
1
O sp.oo representa infinito no SymPy.
9. Limites
Também podemos calcular limites:
x = sp.Symbol("x")sp.limit(sp.sin(x) / x, x, 0)
Resultado:
1
Ou seja:
x→0limxsin(x)=1
O SymPy fornece uma função específica limit() para esse tipo de cálculo.
10. Séries de Taylor
Outra funcionalidade muito interessante é a expansão em séries.
Por exemplo:
x = sp.Symbol("x")expr = sp.exp(sp.sin(x))expr.series(x, 0, 4)
Podemos obter uma aproximação da função próxima de determinado ponto. O SymPy utiliza a notação de ordem O(...) para representar os termos que foram omitidos.
Isso é particularmente útil em:
análise matemática;
aproximações;
física;
métodos numéricos;
análise de algoritmos.
11. Diferenças finitas
O SymPy também possui ferramentas para trabalhar com diferenças finitas.
Por exemplo:
f = sp.Function("f")dfdx = f(x).diff(x)dfdx.as_finite_difference()
Isso gera uma aproximação da derivada utilizando valores discretos da função.
Essa ideia é importante em áreas como:
métodos numéricos;
simulação;
física computacional;
equações diferenciais;
engenharia.
12. E o SciPy?
Agora entramos no segundo componente do nosso conjunto de ferramentas.
import numpy as npimport scipy
O SciPy normalmente trabalha em conjunto com o NumPy.
Para quem está estudando Deep Learning, uma arquitetura de aprendizado interessante seria:
O objetivo não é substituir PyTorch por SymPy ou SciPy.
Cada biblioteca possui uma função diferente.
SymPy ajuda a entender e manipular a matemática.
NumPy fornece computação numérica baseada em arrays.
SciPy fornece algoritmos científicos numéricos.
PyTorch/JAX adicionam autodiff, aceleradores e ferramentas para Machine Learning.
20. Resumo
A distinção fundamental é:
MATEMÁTICA COMPUTACIONAL │ ┌────────────┴────────────┐ │ │ SIMBÓLICA NUMÉRICA │ │ SymPy NumPy / SciPy │ │ "Qual é a fórmula?" "Qual é o valor?" │ │ Derivadas Arrays Integrais Otimização Limites Estatística Equações Integração Álgebra Sinais
Se você está entrando em Machine Learning/Deep Learning, uma combinação muito útil para estudar é:
SymPy +NumPy +SciPy +Matplotlib +PyTorch
Ela permite passar de matemática → implementação numérica → visualização → Machine Learning.
SymPy ajuda você a entender a matemática.NumPy ajuda você a representar os dados numericamente.SciPy fornece algoritmos científicos.PyTorch/JAX permitem transformar esses conceitos em modelos de Deep Learning.