Gdybym miał wybrać pojedynczy tekst dla początkującego byłoby to
Sivia DS and Skilling J (2006) book (see below).
Ze wszystkich książek wymienionych poniżej najtrudniej jest dać intuicyjne zrozumienie podstawowych pomysłów, ale nadal wymaga to trochę matematyczne wyrafinowanie ze strony 1.
Poniżej znajduje się lista dalszych lektur z mojej książki, z komentarzami do każdej publikacji.
Bernardo, JM and Smith, A, (2000) 4. Teoria Bayesa Rygorystyczne ujęcie metod bayesowskich z wieloma przykładami ze świata rzeczywistego.
Bishop, C (2006) 5. Rozpoznawanie wzorców i uczenie maszynowe. Jak sugeruje tytuł, dotyczy to głównie uczenia maszynowego, ale zapewnia klarowny i wszechstronny opis metod bayesowskich.
Cowan G (1998) 6. Analiza danych statystycznych. Doskonałe nie-bayesowskie wprowadzenie do analizy statystycznej.
Dienes, Z (2008) 8. Zrozumieć psychologię jako naukę: wprowadzenie do wnioskowania naukowego i statystycznego. Zawiera materiały szkoleniowe dotyczące reguły Bayesa i przejrzystą analizę różnic między statystyką bayesowską a statystyką częstości.
Gelman A, Carlin J, Stern H i Rubin D. (2003) 14. Analiza danych bayesowskich. Rygorystyczne i wyczerpujące omówienie analizy bayesowskiej z wieloma przykładami ze świata rzeczywistego.
Jaynes E i Bretthorst G (2003) 18. Teoria prawdopodobieństwa: logika nauki. Współczesny klasyk analizy bayesowskiej. Jest wszechstronny i mądry. Jego dyskursywny styl sprawia, że jest długi (600 stron), ale nigdy nie nudny i zawiera mnóstwo spostrzeżeń.
Khan, S, 2012, Wprowadzenie do twierdzenia Bayesa. Filmy matematyczne online Salmana Khana stanowią dobre wprowadzenie do różnych tematów, w tym reguły Bayesa.
Lee PM (2004) 27. Statystyka Bayesa: wprowadzenie. Rygorystyczny i wyczerpujący tekst w ostrym stylu bayesowskim.
MacKay DJC (2003) 28. Teoria informacji, wnioskowanie i algorytmy uczenia się. Współczesny klasyk teorii informacji. Bardzo czytelny tekst, który wędruje daleko i szeroko na wiele tematów, z których prawie wszystkie wykorzystują regułę Bayesa.
Migon, HS i Gamerman, D (1999) 30. Wnioskowanie statystyczne: podejście zintegrowane. Proste (i jasno przedstawione) ujęcie wnioskowania, które porównuje podejście bayesowskie i inne niż bayesowskie. Pomimo tego, że jest dość zaawansowany, styl pisania ma charakter samouczka.
Pierce JR (1980) 34 drugie wydanie. Wprowadzenie do teorii informacji: symbole, sygnały i szum. Pierce pisze w sposób nieformalny, oparty na tutorialu, ale nie odstaje od przedstawienia podstawowych twierdzeń teorii informacji.
Reza, FM (1961) 35. Wprowadzenie do teorii informacji. Bardziej wszechstronna i matematycznie rygorystyczna książka niż powyższa książka Piercea i idealnie powinna być przeczytana dopiero po pierwszym przeczytaniu nieformalnego tekstu Piercea.
Sivia DS and Skilling J (2006) 38. Analiza danych: samouczek Bayesa. Jest to doskonałe wprowadzenie do metod bayesowskich w stylu samouczka.
Spiegelhalter, D i Rice, K (2009) 36. Statystyka bayesowska. Scholarpedia, 4 (8): 5230. http://www.scholarpedia.org/article/Bayesian_statistics Wiarygodne i wyczerpujące podsumowanie aktualnego stanu statystyki bayesowskiej.
A oto moja książka, opublikowana w czerwcu 2013 r.
Reguła Bayesa: samouczek Wprowadzenie do analizy Bayesa, Dr James V Stone, ISBN 978-0956372840
Rozdział 1 można pobrać z: http://jim-stone.staff.shef.ac.uk/BookBayes2012/BayesRuleBookMain.html
Opis: Odkryty przez 18. stuletni matematyk i kaznodzieja, reguła Bayesa jest kamieniem węgielnym współczesnej teorii prawdopodobieństwa. W tej bogato ilustrowanej książce wykorzystano szereg dostępnych przykładów, aby pokazać, w jaki sposób reguła Bayesa jest w rzeczywistości naturalną konsekwencją zdroworozsądkowego rozumowania. Reguła Bayesa jest wyprowadzana przy użyciu intuicyjnych graficznych reprezentacji prawdopodobieństwa, a analiza Bayesa jest stosowana do estymacji parametrów Dostarczone programy MatLab. Samouczek w połączeniu z obszernym słownikiem sprawia, że jest to idealny podręcznik dla początkujących, którzy chcą zapoznać się z podstawowymi zasadami analizy bayesowskiej.
Czytałem:
Gelman i in. (2013). Bayesian Data Analysis. CRC Press LLC. Wydanie trzecie.
Hoff, Peter D (2009). A First Course in Bayesian Statistical Methods. Springer Texts in Statistics.
Kruschke, Doing Bayesian Data Analysis: A Tutorial with R and Bugs, 2011. Academic Press / Elsevier.
i myślę, że lepszą na początek jest książka Kruschke. Idealnie nadaje się do pierwszego podejścia do myślenia bayesowskiego: pojęcia są wyjaśnione bardzo jasno, nie ma za dużo matematyki i jest wiele fajnych przykładów!
Gelman i in. To świetna książka, ale jest bardziej zaawansowana i proponuję przeczytać ją po książce Kruschkego.
I odwrotnie, nie podobała mi się książka Hoffa, ponieważ jest to książka wprowadzająca, ale pojęcia (i myślenie bayesowskie) nie są wyjaśnione w jasny sposób. Sugeruję pominąć.