Prossimi passi dopo "Ragionamento bayesiano e apprendimento automatico"

Attualmente sto esaminando "Bayesian Reasoning and Machine Learning" di David Barber ed è un libro estremamente ben scritto e accattivante per l'apprendimento dei fondamenti. Quindi una domanda a qualcuno che lo ha già fatto. Quali sono i prossimi libri che dovrei leggere dopo che ho una ragionevole competenza con la maggior parte dei concetti di Barber?

Non avevo mai sentito parlare del libro di Barber prima, ma dopo aver dato una rapida occhiata ad esso, sembra davvero molto buono.

A meno che tu non abbia un campo particolare che vuoi esaminare suggerirei quanto segue (alcuni / molti dei quali probabilmente hai già sentito parlare):

• Teoria dell'informazione, inferenza e algoritmi di apprendimento, di DJC Mackay. Un classico e l'autore ne rende disponibile un .pdf gratuitamente online, quindi non hai scuse.
• Pattern Recognition and Machine Learning, di CMBishop. Spesso citato, anche se sembra esserci un sacco di crossover tra questo e il libro di Barber.
• Teoria della probabilità, la logica della scienza, di ETJaynes. In alcune aree forse un po 'più semplice. Tuttavia le spiegazioni sono eccellenti. Ho trovato chiarito un paio di equivoci che non sapevo nemmeno di avere.
• Elements of Information Theory, di TM Cover e JAThomas. Attacca la probabilità dalla prospettiva, sì, hai indovinato, teoria dell'informazione. Alcune cose molto pulite sulla capacità del canale e max. Un po 'diverso dalle cose più bayesiane (ricordo solo di averne visto uno precedente nell'intero libro).
• Teoria dell'apprendimento statistico, di V.Vapnik. Completamente non-baaysiano, che potrebbe non piacere a te. Si concentra sulla probabilità superiore legata al rischio strutturale. Spiega da dove provengono le macchine vettoriali di supporto.
• Sir Karl Popper ha prodotto una serie di lavori sulla filosofia della scoperta scientifica, che presentano un sacco di statistiche (le raccolte possono essere acquistate, ma non ho titoli a portata di mano - scuse). Ancora una volta, non per niente bayesiano, ma la sua discussione sulla falsificabilità e la sua relazione con il rasoio occam è (secondo me) affascinante, e dovrebbe essere letta da chiunque sia coinvolto nel fare scienza.

Recentemente ho trovato una prospettiva più computazionale ragionamento e statistiche bayesiane: "Programmazione probabilistica e metodi bayesiani per gli hacker" . Questa è probabilmente una buona introduzione ai metodi bayesiani quanto il barbiere.