Kolejne kroki po „Bayesian Reasoning and Machine Learning”

Obecnie przeglądam „Bayesian Reasoning and Machine Learning” Davida Barbera i jest to niezwykle dobrze napisana i wciągająca książka do nauki podstaw. Więc pytanie do kogoś, kto już to zrobił. Jaki zestaw książek powinienem przejrzeć po tym, jak opanuję większość pojęć z fryzjera męskiego?

Nie słyszałem wcześniej o książce Barber, ale po jej szybkim przejrzeniu wygląda ona bardzo dobrze.

O ile nie masz konkretnego pola, na które chcesz spojrzeć, sugeruję następujące (niektóre / wiele z nich prawdopodobnie już słyszałeś):

• Teoria informacji, wnioskowanie i algorytmy uczenia się, autor: DJC Mackay. Klasyk, a autor udostępnia plik .pdf za darmo w Internecie, więc nie masz wymówki.
• CMBishop rozpoznaje wzorce i uczenie maszynowe. Często cytowane, choć wydaje się, że istnieje wiele skrzyżowań między tym a książką Barber.
• Teoria prawdopodobieństwa, logika nauki, autorstwa ETJaynesa. W niektórych obszarach może nieco bardziej podstawowy. Jednak wyjaśnienia są doskonałe. Odkryłem, że wyjaśniłem kilka nieporozumień, o których nawet nie wiedziałem.
• Elementy teorii informacji autorstwa TM Cover i JAThomas. Atakuje prawdopodobieństwo z perspektywy, tak, zgadłeś, teorii informacji. Niektóre bardzo fajne rzeczy na temat pojemności kanału i maksymalnej wydajności. Trochę różni się od bardziej bayesowskich rzeczy (pamiętam tylko jeden przeor w całej książce).
• Statystyczna teoria uczenia się, V.Vapnik. Całkowicie nie-baysian, co może ci się nie spodobać. Koncentruje się na górnej granicy probablisitc na ryzyku strukturalnym. Wyjaśnia, skąd pochodzą maszyny wektorów pomocniczych.
• Sir Karl Popper opracował serię prac dotyczących filozofii odkryć naukowych, które zawierają całkiem sporo statystyk (ich kolekcje można kupić, ale nie mam pod ręką żadnych tytułów - przepraszam). Ponownie, nie w najmniejszym stopniu bayesowski, ale jego dyskusja na temat falsyfikowalności i jej związku z brzytwą jest (moim zdaniem) fascynująca i powinna być czytana przez każdego, kto zajmuje się nauką.

Niedawno znalazłem bardziej obliczeniowe rozumowanie i statystyki bayesowskie: „Programowanie probabilistyczne i metody bayesowskie dla hakerów” . Jest to prawdopodobnie równie dobre wprowadzenie do metod bayesowskich, jak Barber.