10.4 下一步的世界#

本節目標#

• 認識 SymPy 與 SciPy 的分工，知道何時該「交棒」
• 一窺 pandas 與資料科學的世界
• 看見機器學習背後的數學：用 SymPy 推導梯度下降
• 與《用 Lean 學數學》銜接：從計算走向證明
• 帶著學習路線圖與推薦資源離開本書

SciPy：SymPy 的數值搭檔#

SymPy 做符號計算，SciPy 做數值計算——兩者不是競爭，而是分工：

經驗法則：先試 SymPy（要精確解與漂亮公式）， 解不出來或太慢，就交給 SciPy。

import sympy as sp
import numpy as np
from scipy import optimize, integrate

x = sp.Symbol('x')
f_expr = sp.sin(x) * sp.exp(-x/3)

# SymPy：推導與精確積分
F = sp.integrate(f_expr, (x, 0, sp.oo))
print(F)   # 3/10

# SciPy：數值驗證與擴展（SymPy 解不動的函數也能算）
val, err = integrate.quad(sp.lambdify(x, f_expr, 'numpy'), 0, np.inf)
print(val)   # 0.3

# SciPy 最佳化：SymPy 對含數值噪音的目標函數無能為力
res = optimize.minimize(lambda p: (p[0]-2)**2 + (p[1]+1)**2, [0, 0])
print(res.x)   # [ 2. -1.]

在 10.2 的 SIR 模型，若要擬合真實疫情數據找 \(\beta, \gamma\) ， scipy.optimize 就是標準工具——SymPy 負責建模與推導，SciPy 負責擬合。

pandas 與資料科學#

當資料不是乾淨的公式，而是 CSV 表格，pandas 接手：

import pandas as pd

df = pd.read_csv('scores.csv')
print(df.describe())        # 敘述統計
print(df.groupby('class')['score'].mean())

它與本書工具鏈的關係：pandas 整理資料 → NumPy 計算 → Matplotlib 畫圖 → SymPy 推導背後的理論模型。 資料科學的日常，就是這四件事的循環。

機器學習中的數學：梯度下降#

神經網路訓練的核心只有一句話： 沿著負梯度方向一小步一小步走，找函數最小值。 梯度是微積分（偏導數）、方向是線性代數（向量）。

用 SymPy 推導梯度#

目標：最小化 \(f(x, y) = (x-2)^2 + (y+1)^2\) 。

import sympy as sp

x, y = sp.symbols('x y', real=True)
f = (x - 2)**2 + (y + 1)**2

grad = [sp.diff(f, v) for v in (x, y)]
print(grad)   # [2*x - 4, 2*y + 2]

手工實作梯度下降#

import numpy as np

grad_func = sp.lambdify((x, y), grad, 'numpy')
p = np.array([0.0, 0.0])
lr = 0.1

for i in range(50):
    g = np.array(grad_func(*p), dtype=float)
    p = p - lr * g

print(p)   # 約 [2. -1.]，正是最小值點

看見了嗎：SymPy 推導 \(\nabla f\) ，lambdify 轉函數， NumPy 迭代下降——本書全部工具在機器學習的核心演算法裡會師。

練習看穿庫的內部#

# PyTorch 的自動微分（autograd）做的正是 SymPy diff 的事，
# 只是用計算圖而非符號式，為的是效率。
# 觀念相同：偏導數 → 鏈鎖律 → 逐層回傳。

與《用 Lean 學數學》銜接：計算之外，證明如何開始#

本書一路用 SymPy 計算數學；但數學還有另一半：證明。

• SymPy 告訴你 \(\displaystyle\int_0^1 x\,dx = \frac{1}{2}\) （這是驗算）
• 證明要回答：為什麼對所有可積函數都成立？（這是定理）

差異對照：

銜接建議：把你用 SymPy 觀察到的規律，拿去 Lean 裡證明。 例如你用 SymPy 驗證了前 100 個偶數之和的公式， 在 Lean 裡寫出對所有 \(n\) 成立的證明—— 計算發現規律，證明確立真理，兩者相輔相成。

學習路線圖#

graph TD
    A[本書: 用 SymPy 學數學] --> B[SciPy / 數值方法]
    A --> C[pandas / 資料分析]
    A --> D[機器學習數學]
    A --> E[用 Lean 學數學: 證明]
    B --> F[科學計算專題]
    C --> G[資料科學實務]
    D --> H[深度學習框架]
    E --> I[形式化數學 / 定理證明]
    F --> J[工程與研究]
    G --> J
    H --> J
    I --> K[數學基礎的深度理解]

全書總結#

回顧我們走過的路：

1. 第 1–2 章：符號計算的世界觀，多項式與運算式操作
2. 第 3–4 章：方程求解、函數即物件、lambdify 橋梁
3. 第 5–9 章：微積分、線性代數、微分方程的符號兵器庫
4. 第 10 章：三個實戰專案 + 廣闊的下一步

你現在具備的能力：把數學問題翻譯成符號程式， 求解、驗證、視覺化，並知道何時交棒給數值工具。 這正是現代科學計算的基本功。

推薦資源#

• SymPy 官方文件（docs.sympy.org）：教程與模組總覽，最權威的參考
• SciPy Lecture Notes：NumPy/SciPy/Matplotlib 的免費系統教材
• 3Blue1Brown（YouTube）：《Essence of Calculus》《Essence of Linear Algebra》 把本書的符號計算變成動畫直覺
• 《用 Lean 學數學》：本書的自然續作，從計算走向證明
• Project Euler（projecteuler.net）：用 SymPy + Python 解數學謎題的練功場

小結與練習#

本節描繪了離開本書後的世界：SciPy 接手數值計算、 pandas 處理真實資料、機器學習是微積分與線代的應用、 Lean 則把「驗算」升級成「證明」。 數學工具會一直演化，但「建模 → 推導 → 計算 → 驗證」的心法不變。

練習

1. 用 scipy.integrate.solve_ivp 重解 10.2 的 logistic 方程， 與 SymPy 的解析解畫在同一張圖比對誤差。
2. 用 pandas 讀一份你自己的資料（成績、記帳、運動紀錄）， 敘述統計 + 畫圖，並用 SymPy 推導一個擬合模型的極值。
3. 把梯度下降的例子改成 \(f(x, y) = x^4 + y^4 - 4xy\) ， 觀察學習率太大時會發散——理解 \(\nabla f\) 大小與步長的關係。
4. 挑一個你用 SymPy 驗算過的恆等式（例如 \((a+b)^2 = a^2 + 2ab + b^2\) ）， 嘗試在 Lean（或紙上）寫出對所有數成立的證明， 體會「計算」與「證明」的不同。