Nesta postagem vou tentar agrupar algumas boas referências sobre áreas de métodos numéricos (álgebra linear, primeiro bloco abaixo), estatística (segundo bloco) e aprendizado de máquina (machine learning, ML – terceiro bloco):
- Uma das referências fundamentias sobre métodos numéricos é o livro Matrix Computations de Golub e van Loan. Temos uma cópia no lab, e tenho a última (4a) versão se alguém tiver interesse;
- Uma boa referência sobre métodos numéricos de otimização e a álgebra linear associada é o livro Practical Optimization;
- Boa revisão e tutorial sobre Algebra linear em Python;
- Singular-value decomposition (SVD). Método similar a análise espectral (autovetores), de crescente importância para redução de dimensionalidade e interpretação de dados multi-dimensionais. Por exemplo, é aplicado para justificar métodos de renormalização de grupo (como DMRG);
- Texto pedagógico sobre transformada de Legendre, muito usada para expressão de quantidades termodinâmicas e relações em mecânica estatística.
- Introdução didática sobre o procedimento de bootsrap usado para estimar erros padrão e intervalos de confiança; Críticas sobre esta metodologia.
- Web-site com tutoriais, dicionários e explicações sobre diversos conceitos de estatística;
- Inferência Bayesiana é de grande importância em biofísica, para comparação de dados simulados e experimentais;
- Aprendizado de máquina (ML) pode ter muitas aplicações em modelagem molecular. Por exemplo, campos de força foram montados com ML aqui ou aqui. Quem quiser se aventurar, pode começar com esta biblioteca em Python, que também apresenta bons tutoriais sobre ML.
- Esta série de aulas online apresentadas pelo Frank Noé, pesquisador com relevantes contribuições no campo de simulação molecular, é uma boa introdução à ML, com conceitos formais e exemplos paupáveis.
- Curso online do Andrew White, cobrindo várias técnicas e com exemplos em Jupyter par aplicações moleculares.
- Machine-Learning University: Vários tópicos relacionados (desde regressão linear), com gráficos e explicações claras.
- Curso online da Universidade de Amsterdam sobre Deep Learning usando PyTorch e com notebooks com exemplos.
- Algumas aplicações de ML em química medicinal, com notebooks e exemplos.
