Gdybym miał wybrać jeden tekst dla początkującego, byłby to
Sivia DS and Skilling J (2006) book (see below).
Ze wszystkich wymienionych poniżej książek najtrudniej jest intuicyjnie zapoznać się z podstawowymi pomysłami, ale wciąż wymaga pewnych matematycznych wyrafinowań od strony 1.
Poniżej znajduje się lista dalszych lektur z mojej książki, wraz z komentarzami do każdej publikacji.
Bernardo, JM i Smith, A, (2000) 4. Teoria bayesowska Rygorystyczny opis metod bayesowskich, z wieloma przykładami z prawdziwego świata.
Bishop, C (2006) 5. Rozpoznawanie wzorców i uczenie maszynowe. Jak sugeruje tytuł, chodzi głównie o uczenie maszynowe, ale zapewnia jasne i wyczerpujące zestawienie metod bayesowskich.
Cowan G (1998) 6. Analiza danych statystycznych. Doskonałe, nie bayesowskie wprowadzenie do analizy statystycznej.
Dienes, Z (2008) 8. Zrozumienie psychologii jako nauki: wprowadzenie do naukowego i wnioskowania statystycznego. Zawiera materiały instruktażowe na temat reguły Bayesa i przejrzystą analizę rozróżnienia między statystykami bayesowskimi i częstymi.
Gelman A, Carlin J, Stern H i Rubin D. (2003) 14. Analiza danych bayesowskich. Rygorystyczny i kompleksowy opis analizy bayesowskiej, z wieloma przykładami z prawdziwego świata.
Jaynes E i Bretthorst G (2003) 18. Teoria prawdopodobieństwa: logika nauki. Współczesny klasyk analizy bayesowskiej. Jest wszechstronny i mądry. Jego dyskursywny styl sprawia, że jest długi (600 stron), ale nigdy nudny, i jest pełen mnóstwa spostrzeżeń.
Khan, S, 2012, Wprowadzenie do twierdzenia Bayesa. Internetowe filmy matematyczne Salmana Khana stanowią dobre wprowadzenie do różnych tematów, w tym do zasady Bayesa.
Lee PM (2004) 27. Statystyka bayesowska: wprowadzenie. Rygorystyczny i kompleksowy tekst o wyrazistym stylu bayesowskim.
MacKay DJC (2003) 28. Teoria informacji, wnioskowanie i algorytmy uczenia się. Współczesny klasyk teorii informacji. Bardzo czytelny tekst, który porusza się po wielu tematach, z których prawie wszystkie wykorzystują zasadę Bayesa.
Migon, HS i Gamerman, D (1999) 30. Wnioskowanie statystyczne: podejście zintegrowane. Prosty (i jasno ułożony) opis wnioskowania, który porównuje podejścia Bayesowskie i nie Bayesowskie. Pomimo tego, że jest dość zaawansowany, styl pisania ma charakter samouczka.
Pierce JR (1980) 34 2nd Edition. Wprowadzenie do teorii informacji: symbole, sygnały i szum. Pierce pisze nieformalnym, tutorialowym stylem pisania, ale nie fl cala od przedstawienia podstawowych twierdzeń teorii informacji.
Reza, FM (1961) 35. Wprowadzenie do teorii informacji. Bardziej wszechstronna i matematycznie rygorystyczna książka niż książka Pierce powyżej, i powinna być czytana dopiero po pierwszym przeczytaniu bardziej nieformalnego tekstu Pierce'a.
Sivia DS i Skilling J (2006) 38. Analiza danych: tutorial bayesowski. To doskonałe wprowadzenie do metod bayesowskich w stylu samouczka.
Spiegelhalter, D and Rice, K (2009) 36. Statystyka bayesowska. Scholarpedia, 4 (8): 5230.
http://www.scholarpedia.org/article/Bayesian_statistics
Wiarygodne i wyczerpujące podsumowanie aktualnego statusu statystyki bayesowskiej.
A oto moja książka, opublikowana w czerwcu 2013 r.
Reguła Bayesa: samouczek Wprowadzenie do analizy bayesowskiej, dr James V Stone, ISBN 978-0956372840
Rozdział 1 można pobrać ze strony:
http://jim-stone.staff.shef.ac.uk/BookBayes2012/BayesRuleBookMain.html
Opis: Odkryta przez XVIII-wiecznego matematyka i kaznodzieję reguła Bayesa jest kamieniem węgielnym współczesnej teorii prawdopodobieństwa. W tej bogato ilustrowanej książce wykorzystano szereg dostępnych przykładów, aby pokazać, w jaki sposób reguła Bayesa jest w rzeczywistości naturalną konsekwencją zdrowego rozsądku. Reguła Bayesa jest wyprowadzana przy użyciu intuicyjnych graficznych reprezentacji prawdopodobieństwa, a analiza Bayesa jest stosowana do szacowania parametrów za pomocą dostarczonych programów MatLab. Samouczek pisania w połączeniu z obszernym słownikiem sprawia, że jest to idealny podkład dla początkującego, który chce zapoznać się z podstawowymi zasadami analizy bayesowskiej.
