《机器学习》周志华——勘误表

原贴地址是：
http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm

对数学公式的Latex代码进行转换

(第一版第25次印刷, 2018年3月):

p.39, 最后一行：”$[-\infty,$” –> “$(-\infty,$”，”$, \infty]$” –> “$, \infty)$”
p.199, 式(9.12)：分母的 “$(\bf{\mu}_i, \bf{\mu}_j)$” –> “$(C_i, C_j)$”

(第一版第24次印刷, 2018年1月):

p.112, 图 5.14a: 修订文件
p.303, 倒数第二行：去掉 “[Zhou et al., 2004]”
p.304, 第一行：”当” –> “考虑到有标记样本通常很少而未标记样本很多, 为缓解过拟合, 可在式(13.21)中引入针对未标记样本的~L$_2$~范数项~$\mu \sum_{i=l+1}^{l+u}\|\mathbf{F}_{i}\|^{2}$, 在”; 同时插入边注: “参见~11.4~节”

(第一版第23次印刷, 2017年10月):

p.27, 式(2.1)：第一个”$\mapsto$” –> “$\to$”, 第二个”$\mapsto$” –> “$=$”
p.80, 倒数第2行：”算法4.2” –> “图 4.2 算法”
p.131, 图 6.5: 修订文件

(第一版第22次印刷, 2017年9月):

p.156, 倒数第7行：”(7.23)” –> “(7.21)”
p.320, 第8行：”其余~$n-2$” –> “此前~$t-2$”

(第一版第21次印刷, 2017年8月)
(第一版第20次印刷, 2017年7月):

p.60, 图3.3中：”$y = \bf{w}^{\rm T}\bf{x}$, $y$” –> “投影方向~$\bf{w}$”
p.133, 式(6.42)加边注: “传统意义上的”结构风险”是指引入模型结构因素后的总体风险(或许更宜译为”带结构风险”), 本书则是指总体风险中直接对应于模型结构因素的部分, 这样从字面上更直观, 或有助于理解其与机器学习中其他内容间的联系. 参见p.160.”

(第一版第19次印刷, 2017年6月):

p.159, 第一行加边注：”一般需先对图剪枝, 仅保留有向图中~$x$, $y$, $\bf{z}$~及它们的祖先结点”
p.230, 式(10.15)上面一行加边注: “严格来说, 协方差矩阵是~${1 \over {m-1}}\sum\nolimits_{i=1}^m\bf{x}_i\bf{x}_i^{\rm T}$, 但前面的常数项在此不发生影响”

(第一版第18次印刷, 2017年5月):

p.187, 式(8.39)下面一行: “$\le$” –> “$\ge$”

(第一版第17次印刷, 2017年4月):

p.384, 图16.10, 步骤9: “$\pi(x, a)$” –> “$\pi(x)$”
p.388, 图16.13, 步骤4: “$\pi^{\epsilon}(x)$” –> “$a = \pi^{\epsilon}(x)$”
p.388, 图16.13, 步骤8: 去掉”, $a = a'$”

(第一版第16次印刷, 2017年3月):

p.417, 第3段第1行: “通往人工智能的途径” –> “一种人工智能途径”

(第一版第15次印刷, 2017年2月):

p.206, 9.4.3节前倒数第5行: “$c_2$” –> “$c_1$”

(第一版第14次印刷, 2016年12月):

p.34, 图 2.4(b): 修订文件
p.206, 9.4.3节前倒数第2行: “(0.722; 0.442)” –> “(0.722; 0.447)”
p.209, 式(9.38)上面一行: “样本” –> “混合成分”
p.215, 图9.11第5步: “$j = 1, 2, \ldots, m$” –> “$j = i+1, \ldots, m$”
p.230, 式(10.14)结尾: “.” –> “,”
p.230, 式(10.14)下面一行开头顶格插入: “其中${\bf W} = (\bf{w}_1, \bf{w}_2, \ldots, \bf{w}_d)$.”
p.231, 式(10.17): 两处”${\bf W}$”–>”${\bf w}_i$”, “$\lambda$” –> “$\lambda_i$”
p.231, 式(10.17)下面第二行: “${\bf W}$” –> “${\bf W}^*$”
p.231, 图10.5最后一行: “${\bf W}$” –> “${\bf W}^*$”
p.232, 第一行: “${\bf W}$” –> “${\bf W}^*$”
p.232, 式(10.19)前第二行: “${\bf W}$” –> “${\bf W} = (\bf{w}_1, \bf{w}_2, \ldots, \bf{w}_d)$”
p.232, 式(10.19)前第二行: “即PCA欲求解” –> “则对于 $\bf{w}_j$, 由式(10.17)有”
p.232, 式(10.19): 两处”${\bf W}$”–>”${\bf w}_j$”; “$\lambda$” –> “$\lambda_j$”
p.233, 式(10.20): 三处”${\bf W}$”–>”${\bf w}_j$”; 两处”$\lambda$”–>”$\lambda_j$”; “${\bf \alpha}_i$”–>”$\alpha_i^j$”
p.233, 式(10.20)下一行: “${\bf \alpha}_i$”–>”$\alpha_i^j$”; “$\lambda$”–>”$\lambda_j$”; “${\bf W}$”–>”${\bf w}_j$”
p.233, 式(10.20)下一行: “. 假定” –> “是${\bf \alpha}_i$的第$j$个分量. 假定”
p.233, 式(10.21): 两处”${\bf W}$”–>”${\bf w}_j$”; “$\lambda$”–>”$\lambda_j$”
p.233, 式(10.22): “${\bf W}$”–>”${\bf w}_j$”; “${\bf \alpha}_i$”–>”$\alpha_i^j$”
p.233, 式(10.24): 两处”${\bf A}$”–>”${\bf \alpha}^j$”; “$\lambda$”–>”$\lambda_j$”
p.233, 式(10.24)下面一行: “${\bf A} = ({\bf \alpha}_1; {\bf \alpha}_2; \ldots; {\bf \alpha}_m)$” –> “${\bf \alpha}^j = (\alpha_1^j; \alpha_2^j; \ldots; \alpha_m^j)$”
p.233, 式(10.25)下面一行: 去掉 “, $\alpha_i^j$ 是 ${\bf \alpha}_i$ 的第 $j$ 个分量”

(第一版第13次印刷, 2016年11月):

p.36, 倒数第5行: “(TPR, FPR)” –> “(FPR, TPR)”
p.120, 第7行: “(1927 – )” –> “(1927 – 2016)”
p.203, 图9.2下面一行: “$\bf{x}_{27}$” –> “$\bf{x}_{24}$”
p.203, 图9.2下面第3行: “(0.532; 0.472)” –> “(0.478; 0.437)”
p.203, 图9.2下面第5行: “0.166” –> “0.220”
p.203, 图9.2下面第7行: 大括号中增加 “$\bf{x}_3$”, 去掉”$\bf{x}_{15}$”
p.203, 倒数第5行: 大括号中去掉 “$\bf{x}_3$”, 增加”$\bf{x}_{15}$”
p.203, 倒数第3行: “(0.473; 0.214)” –> “(0.493; 0.207)”
p.203, 倒数第3行: “(0.623; 0.388)” –> “(0.602; 0.396)”
p.204, 图9.3: 修订文件

(第一版第12次印刷, 2016年11月)
(第一版第11次印刷, 2016年10月)
(第一版第10次印刷, 2016年9月)：

p.156, 式(7.24)分母: “$N_i$” –> “$N \times N_i$”
p.156, 式(7.25)下面一行: “其中 $N_i$” –> “其中 $N$ 是 $D$ 中可能的类别数, $N_i$”
p.156, 式(7.25)下面第4行, 分母: “$17+3$” –> “$17 + 3 \times 2$”
p.156, 式(7.25)下面第4行: “0.350” –> “0.304”

(第一版第9次印刷, 2016年8月)
(第一版第8次印刷, 2016年5月)：

p.5, 第2段倒数第3行: “3、2、2” –> “3、3、3”
p.5, 第2段倒数第2行: “$4 \times 3 \times 3 + 1 = 37$” –> “$4 \times 4 \times 4 + 1 = 65$”
p.26, 边注第2行: “2.6 节” –> “2.5 节”
p.41, 式(2.33)上面一行: “正态分布, 且均值 …… 因此变量” –> “正态分布. McNemar检验考虑变量”
p.41, 式(2.33)旁加边注: “$e_{01} + e_{10}$ 通常很小, 需考虑连续性校正, 因此分子中有 $-1$ 项”
p.45, 第一个边注: “由式(2.37)” –> “考虑到噪声不依赖于$f$, 由式(2.37)”
p.63, 式(3.45)下面一行: “$N-1$个最大” –> “$d'$个最大非零”
p.63, 式(3.45)下面第2行: “矩阵.” –> “矩阵, $d'\le N-1$.”; 加边注: “最多有$N-1$个非零特征值”
p.63, 式(3.45)下面第3行: “$N-1$维” –> “$d'$维”
p.63, 式(3.45)下面第4行: “$N-1$通常远小于数据原有的属性数” –> “$d'$通常远小于数据原有的属性数$d$”
p.100, 图5.5, 左图最上面的 “阈值$0.5$” –> “阈值$1.5$”
p.100, 图5.5, 左图最右边的 “阈值$0.5$” –> “阈值$-1.5$”
p.100, 图5.5, 左图中间的”1 -1 -1 1” –> “1 1 -1 -1”
p.125, 式(6.18): “$y_s$” –> “$1/y_s$”
p.136, 式(6.54): 右边最后一项中的四处 “$i$” –> “$j$”
p.136, 式(6.54): 右边最后一项中最后的 “${\bf x}$” –> “${\bf x}_i$”
p.152, 第三个式子等号右端: “$0.375$” –> “$0.625$”
p.153, 第3行: “$0.038$” –> “$0.063$”
p.153, 第6行: “$0.038$” –> “$0.063$”
p.160, 式(7.29)下面第2行: “需多少字节来描述$D$” –> “对$D$描述得有多好”；加边注: “可以从统计学习角度理解, 将两项分别视为结构风险和经验风险”
p.239, 式(10.39)第二行式子: 去掉上标 “$2$”
p.244, 第13行: “Locally” –> “Nonlinear dimensionality reduction by locally”
p.244, 第14行: “2316” –> “2326”
p.249, 式(11.2): “$i=1$” –> “$k=1$”
p.253, 倒数第5行: “[Boyd and Vandenberghe, 2004]” –> “[Combettes and Wajs, 2005]”
p.263, 倒数第4行, 插入: “Combettes, P. L. and V. R. Wajs. (2005). “Signal recovery by proximal forward-backward splitting.”$\textit{Mutiscale Modeling & Simulation}, 4(4):1168--1200.$”
p.277, 式(12.29): “$E(h) - \hat{E}(h)$” –> “$\left| E(h) - \hat{E}(h) \right|$”
p.299, 式(13.9)后第三段第2行: “关于 $D_u$” –> “涉及 $C_u$”

(第一版第7次印刷, 2016年4月)：

p.42, 表2.5下面一段的第三行: “服从正态分布，其均值” –> “的均值”
p.42, 倒数第二行加边注: “原始检验要求$k$较大(例如$>30$)，若$k$较小则倾向于认为无显著区别”

(第一版第6次印刷, 2016年4月)：

p.56, 图3.1中，红色第一和第二个点的坐标互换
p.114, 图5.15中, 卷积层 16@10x10 和 采样层 16@5x5 各去掉 8 个方块
p.301, 式(13.12)的下一行: “$({\bf f}_l^{\rm T}\,{\bf f}_u^{\rm T})^{\rm T}$” –> “$({\bf f}_l^{\rm T}; {\bf f}_u^{\rm T})$”
p.372, 图16.2: 从”s=健康”到”s=溢水”的 “r=1” –> “r=-1”
p.376, 图16.5的边注: “第 4 行中式(16.4)的参数” –> “该参数在第4行使用”
p.385, 第二行: “在使用策略时并不需要$\epsilon-$贪心” –> “而不是为了最终使用”
p.387, 倒数第二行: “$\epsilon-$贪心策略, 而执行(第5行)的是原始策略” –> “原始策略, 而执行(第4行)的是$\epsilon-$贪心策略”
p.393, 第四段第一行: 去掉 “[Kuleshov and Precup, 2000]和”
p.395, 去掉最后一行
p.396, 去掉第一行
p.402, 式(A.32)加边注: “机器学习中 $\bf W$ 通常是对称矩阵”

(第一版第5次印刷, 2016年3月)：

p.62, 第1行加边注: “$(\bf{\mu}_0 - \bf{\mu}_1)^{\rm T} \bf{w}$ 是标量”
p.78, 图4.4, 从右往左数: 第二个叶结点改为“好瓜”，第三个叶结点改为“坏瓜”
p.85, 图4.8, 从右往左数: 第二个叶结点改为“好瓜”，第三个叶结点改为“坏瓜”
p.85, 图4.8, 中间分支底层: “硬挺”–> “硬滑”
p.89, 图4.9, 中间分支底层: “硬挺”–> “硬滑”
p.103, 最后一行的式子: 求和的”$q$” –> “$l$”
p.399, 式(A.9): “$A_{1 \sigma n}$” –> “$A_{n \sigma n}$”
p.400, 第1行: “(1,4,3,2)” –> “(3,1,2)”
p.402, 式(A.32)最后一行的式子中: “$2{\mathbf A}$” –> “$2{\mathbf A}^{\rm T}$”

(第一版第4次印刷, 2016年3月)：

p.59, 式(3.27)加边注: “考虑 $y_i \in \{0, 1\}$”

(第一版第3次印刷, 2016年3月)：

p.15, 第5行: “居功” –> “厥功”
p.55, 最后一行: 式子括号中的逗号改为分号
p.125, 第3行: “减小” –> “增大”
p.125, 第4行，第6行: “减幅” –> “增幅”
p.125, 第5行: “减小” –> “增长”

(第一版第2次印刷, 2016年2月)：

p.38, 第6行: “$\epsilon^{m'}$” –> “${m \choose m'} \epsilon^{m'}$”
p.119, 第14行: “318–362” –> “533–536”
p.404, 式(B.3)最后一行的式子 –> “$\lambda g({\bf x})=0$”

(第一版第1次印刷, 2016年1月)：

p.6, 图1.2: 图中两处”清脆” –> “浊响”
p.28, 第3段倒数第2行: “大量” –> “不少”
p.28, 边注: “例如 ……上百亿个参数” –> “机器学习常涉及两类参数: 一类是算法的参数, 亦称”超参数”, 数目常在10以内; 另一类是模型的参数, 数目可能很多, 例如……上百亿个参数. 两者调参方式相似, 均是产生多个模型之后基于某种评估方法来进行选择; 不同之处在于前者通常是由人工设定多个参数候选值后产生模型, 后者则是通过学习来产生多个候选模型(例如神经网络在不同轮数停止训练).”
p.31, 倒数第3行: “Event” –> “Even”
p.256, 第4段: “固定住${\bf \alpha}_i$” –> “以${\bf \alpha}_i$为初值”
p.256, 最后一段第1行: “${\bf E}_i =$” –> “${\bf E}_i = {\bf X} -$”
p.385, 式(16.25)和(16.26): 两处”$r_i$” –> “$R_i$”
p.385, 式(16.25)下一行: “若改用……” –> “其中$R_i$表示第$i$条轨迹上自状态$x$至结束的累积奖赏. 若改用……”
p.386, 式(16.28)下一行: “始终为1” –> “对于$a_i=\pi(x_i)$始终为1”
p.386, 图16.11, 第4步: 两处 “$\pi(x)$” –> “$\pi(x_i)$”
p.386, 图16.11, 第6步的式子 –> “$R=\frac{1}{T-t}\left(\sum_{i=t+1}^T r_i\right) \prod_{i=t+1}^{T-1} \frac{\mathbb I(a_i=\pi(x_i))}{p_i}$”
p.386, 图16.11, 边注”计算修正的累积奖赏.” –> “计算修正的累积奖赏. 连乘内下标大于上标的项取值为1.”; 去掉边注”重要性采样系数.”