Nächste Schritte nach „Bayesianisches Denken und maschinelles Lernen“

Ich lerne gerade "Bayesian Reasoning and Machine Learning" von David Barber und es ist ein sehr gut geschriebenes und ansprechendes Buch zum Erlernen der Grundlagen. Also eine Frage an jemanden, der das schon gemacht hat. Was sind die nächsten Bücher, die ich lesen sollte, nachdem ich mit den meisten Konzepten in Barber einigermaßen vertraut bin?

Ich hatte noch nie von dem Barbier-Buch gehört, aber nachdem ich es kurz durchgesehen habe, sieht es sehr, sehr gut aus.

Sofern Sie nicht über ein bestimmtes Feld verfügen, in das Sie sich vertiefen möchten, würde ich Folgendes vorschlagen (von dem einige / viele wahrscheinlich bereits gehört haben):

• Informationstheorie, Inferenz und Lernalgorithmen von DJC Mackay. Ein Klassiker, und der Autor stellt eine PDF-Datei davon kostenlos online zur Verfügung, sodass Sie keine Entschuldigung haben.
• Mustererkennung und maschinelles Lernen, von CMBishop. Häufig zitiert, obwohl es zwischen diesem und dem Barbier-Buch eine Menge Überschneidungen zu geben scheint.
• Wahrscheinlichkeitstheorie, die Logik der Wissenschaft, von ETJaynes. In einigen Bereichen vielleicht ein bisschen einfacher. Die Erklärungen sind jedoch hervorragend. Ich fand, dass es ein paar Missverständnisse beseitigte, von denen ich nicht einmal wusste, dass ich sie hatte.
• Elemente der Informationstheorie, von TM Cover und JAThomas. Angriffswahrscheinlichkeit aus der Perspektive der Informationstheorie. Einige sehr nette Sachen über die Kanalkapazität und das Maximum. Ein bisschen anders als das Bayes'sche Zeug (ich kann mich nur erinnern, dass ich im ganzen Buch eines vorher gesehen habe).
• Statistische Lerntheorie, von V.Vapnik. Absolut un-baysisch, was Sie vielleicht nicht anspricht. Konzentriert sich auf die wahrscheinliche Obergrenze des strukturellen Risikos. Erklärt, woher Support-Vektor-Maschinen kommen.
• Sir Karl Popper produzierte eine Reihe von Werken zur Philosophie der wissenschaftlichen Entdeckung, die eine ganze Reihe von Statistiken enthalten (Sammlungen davon können gekauft werden, aber ich habe keine Titel, die ich von Hand entschuldigen könnte). Auch hier nicht im geringsten bayesianisch, aber seine Diskussion über Fälschbarkeit und ihre Beziehung zu Occams-Rasiermesser ist (meiner Meinung nach) faszinierend und sollte von jedem gelesen werden, der sich mit Wissenschaft befasst.

Ich habe kürzlich eine rechenintensivere Perspektive für das Bayes'sche Denken und die Statistik gefunden: "Probabilistische Programmierung und Bayes'sche Methoden für Hacker" . Dies ist wahrscheinlich eine ebenso gute Einführung in die Bayes'schen Methoden wie Barber.