Artigo interessante:
Everything is Connected: Graph Neural Networks

https://arxiv.org/abs/2301.08210

Curso gratuitos na Google: https://techdevguide.withgoogle.com/

MIT Introduction to Deep Learning http://introtodeeplearning.com/

Excelente livro sobre deep learning (pdf online):
Understanding Deep Learning

https://udlbook.github.io/udlbook/

Livro online: https://jakevdp.github.io/PythonDataScienceHandbook/

livro online: https://link.springer.com/book/10.1007/978-3-031-16624-2

Nonparametric Statistical Significance Tests in Python

https://jmyao17.github.io/Statistics/Nonparametric_Statistical_Significance_Tests.html

Mais um curso de Álgebra Linear avançada:
https://www.youtube.com/playlist?list=PLOAf1ViVP13jdhvy-wVS7aR02xnDxueuL

Curso completo: Deep Reinforcement Learning
https://www.youtube.com/playlist?list=PL_iWQOsE6TfURIIhCrlt-wj9ByIVpbfGc

O método da máxima verossimilhança é um dos mais importantes em inferência estatística. Esse artigo aborda esse método e sua história. Para quem está interessando em aprender os fundamentos de como inferir os parâmetros de uma população, sugiro a leitura:

The Epic Story of Maximum Likelihood
https://twitter.com/docmilanfar/status/1620292922313945089

Texto interessante sobre o Teorema Central do Limite, extraída do livro de Sheldon Ross.

Algumas funções de ativação usadas em redes neurais.

Conteúdo excelente que explica como uma rede neural funciona, detalhadamente: https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi

Para quem prefere usar a linguagem R, esse livro disponível online é bastante completo
Hands-On Machine Learning with R

https://bradleyboehmke.github.io/HOML/