Próximos passos após “Raciocínio Bayesiano e Aprendizado de Máquina”

Atualmente, estou estudando "Raciocínio Bayesiano e Aprendizado de Máquina", de David Barber, e é um livro extremamente bem escrito e envolvente para aprender os fundamentos. Então, uma pergunta para alguém que já fez isso. Quais são os próximos livros que devo ler depois de ter proficiência razoável na maioria dos conceitos de Barber?

Eu nunca tinha ouvido falar do livro Barber antes, mas, depois de dar uma olhada rápida, parece muito, muito bom.

A menos que você tenha um campo específico em que deseja pesquisar, sugiro o seguinte (alguns / muitos dos quais você provavelmente já ouviu falar):

• Teoria da informação, inferência e algoritmos de aprendizagem, por DJC Mackay. Um clássico, e o autor disponibiliza um arquivo .pdf gratuitamente on-line, para que você não tenha desculpa.
• Reconhecimento de Padrões e Aprendizado de Máquina, por CMBishop. Citado com frequência, embora pareça haver muito cruzamento entre este e o livro Barber.
• Teoria da probabilidade, a lógica da ciência, por ETJaynes. Em algumas áreas, talvez um pouco mais básico. No entanto, as explicações são excelentes. Descobri que havia esclarecido alguns mal-entendidos que eu nem sabia que tinha.
• Elementos da teoria da informação, de TM Cover e JAThomas. Ataca a probabilidade da perspectiva de, sim, você adivinhou, teoria da informação. Algumas coisas muito interessantes sobre a capacidade do canal e o máximo de ent. Um pouco diferente das coisas mais bayesianas (só me lembro de ter visto uma antes em todo o livro).
• Teoria Estatística da Aprendizagem, de V.Vapnik. Completamente não-baysiano, o que pode não lhe agradar. Concentra-se no limite superior provável do risco estrutural. Explica de onde vêm as máquinas de vetores de suporte.
• Sir Karl Popper produziu uma série de trabalhos sobre a filosofia das descobertas científicas, que apresentam muitas estatísticas (coleções podem ser compradas, mas não tenho títulos em mãos - desculpas). Novamente, nem um pouco bayesiano, mas sua discussão sobre falsificabilidade e sua relação com a navalha de Ocams é (na minha opinião) fascinante e deve ser lida por qualquer pessoa envolvida na ciência.

Recentemente, encontrei uma perspectiva mais computacional do raciocínio e das estatísticas bayesianas: "Programação Probabilística e Métodos Bayesianos para Hackers" . Esta é provavelmente uma introdução tão boa aos métodos bayesianos quanto Barber.