“贝叶斯推理和机器学习”之后的下一步

我目前正在经历David Barber撰写的“贝叶斯推理和机器学习”，这是一本写得很好并且引人入胜的书，用于学习基础知识。对已经这样做的人来说是一个问题。当我对Barber的大多数概念有一定的熟练程度后，我应该阅读哪些下一本书？

我以前没有听说过《理发师》这本书，但快速浏览过它，看起来确实非常好。

除非您有特定的领域，否则我想提出以下建议（您可能已经听说过其中的一些/很多建议）：

• 信息理论，推理和学习算法，由DJC Mackay撰写。这是一部经典著作，作者将其的.pdf文件免费在线提供，所以您没有任何借口。
• 模式识别和机器学习，CMBishop。经常引用，尽管这和Barber书之间似乎有很多交叉。
• 概率论，科学的逻辑，由ETJaynes撰写。在某些领域，可能更基本一些。但是，解释非常好。我发现它消除了一些我什至不知道的误解。
• 信息理论的元素，作者：TM Cover和JAThomas。从信息理论的角度来看，攻击概率是正确的。关于通道容量和最大容量的一些非常整洁的东西。与更多贝叶斯方法有点不同（我只记得在整本书中看到过一个）。
• 统计学习理论，V.Vapnik。完全没有贝叶斯风格，可能对您没有吸引力。专注于结构风险的概率上限。说明支持向量机的来源。
• 卡尔·波珀爵士（Sir Karl Popper）爵士创作了一系列有关科学发现哲学的作品，这些作品具有相当多的统计数据（可以购买其中的一些数据，但我没有任何道歉的头衔）。同样，不是一丁点贝叶斯式的，但是（我认为）他关于可证伪性及其与occams剃刀的关系的讨论令人着迷，任何从事科学的人都应该阅读。

最近，我发现了从计算角度出发的贝叶斯推理和统计数据：“针对黑客的概率编程和贝叶斯方法”。与Barber一样，这可能与贝叶斯方法一样好。