周志华《机器学习》勘误表

周志华老师的《机器学习》的勘误。当时买的是第一次印刷的版本，现在都是第10次印刷了... 转发作收藏

原帖地址： http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm

勘误修订

[部分修订是为了更便于读者理解，并非原文有误]

(第一版第十次印刷, 2016年9月)：

(第一版第九次印刷, 2016年8月)：

(第一版第八次印刷, 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 "${\bm x}$" --> "${\bm x}_i$"
  • 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 $C_u$"

(第一版第七次印刷, 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"

(第一版第六次印刷, 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: "$({\bm f}_l^{\rm T}\,{\bm f}_u^{\rm T})^{\rm T}$" --> "$({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})$"
  • 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"

(第一版第五次印刷, 2016年3月)：

• • p.62, 第1行加边注: "$(\bm{\mu}_0 - \bm{\mu}_1)^{\rm T} \bm{w}$ 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: "$2{\mathbf A}$" --> "$2{\mathbf A}^{\rm T}$"

(第一版第四次印刷, 2016年3月)：

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

(第一版第三次印刷, 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"

(第一版第二次印刷, 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 --> "$\lambda g({\bm x})=0$"

(第一版第一次印刷, 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."