No había oído hablar del libro de Barber antes, pero después de haberlo leído rápidamente, se ve muy, muy bien.
A menos que tenga un campo en particular que desee analizar, le sugiero lo siguiente (algunos / muchos de los cuales probablemente ya haya oído hablar):
- Teoría de la información, inferencia y algoritmos de aprendizaje, por DJC Mackay. Un clásico, y el autor hace que un .pdf esté disponible de forma gratuita en línea, por lo que no tiene excusa.
- Reconocimiento de patrones y aprendizaje automático, por CMBishop. Citado con frecuencia, aunque parece haber mucho cruce entre este y el libro de Barber.
- Teoría de la probabilidad, la lógica de la ciencia, por ETJaynes. En algunas áreas quizás un poco más básico. Sin embargo, las explicaciones son excelentes. Descubrí que aclaraba un par de malentendidos que ni siquiera sabía que tenía.
- Elementos de la teoría de la información, por TM Cover y JAThomas. Ataca la probabilidad desde la perspectiva de, sí, lo has adivinado, la teoría de la información. Algunas cosas muy buenas sobre la capacidad del canal y el máximo ent. Un poco diferente de las cosas más bayesianas (solo recuerdo haber visto una anterior en todo el libro).
- Teoría estadística del aprendizaje, por V.Vapnik. Completamente ant Baysian, lo que puede no ser atractivo para usted. Se centra en el límite superior probabilístico del riesgo estructural. Explica de dónde provienen las máquinas de vectores de soporte.
- Sir Karl Popper produjo una serie de trabajos sobre la filosofía del descubrimiento científico, que cuentan con muchas estadísticas (se pueden comprar colecciones de ellas, pero no tengo ningún título para pedir disculpas). Una vez más, no es bayesiano en lo más mínimo, pero su discusión sobre la falsabilidad y su relación con la maquinilla de afeitar occams es (en mi opinión) fascinante, y debería ser leída por cualquier persona involucrada en la ciencia.