【机器学习】周志华《机器学习》西瓜书勘误：按章节排序整理（截至2024年1月第45次印刷）

原勘误：https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm#errata

按章节排序

第 1 章 绪论

• 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.6, 图1.2: 图中两处"清脆" --> “浊响”
• p.10, 倒数第7行: “Nilson” --> “Nilsson”
• p.15, 第5行: “居功” --> “厥功”

第 2 章 模型评估与选择

• p.26, 边注第2行: “2.6 节” --> “2.5 节”

• p.27, 式(2.1)：第一个"$\mapsto$" --> “$\to$”, 第二个"$\mapsto$" --> “$=$”

• 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.31, 图 2.3: 修订
  

• p.34, 图 2.4(b): 修订
  

• p.36, 倒数第5行: “(TPR, FPR)” --> “(FPR, TPR)”

• p.38, 第6行: “${ϵ}^{m^{\prime }}$” --> “$\left(\genfrac{}{}{0ex}{}{m}{m^{\prime }}\right){ϵ}^{m^{\prime }}$”

• p.38, 式(2.27), ${ϵ}_0\times m$ --> $ϵ\times m$

• p.38, 式(2.27), ${ϵ}^i(1-ϵ{)}^{m-i}$ --> ${ϵ}_0^i(1-{ϵ}_0{)}^{m-i}$

• p.38, 式(2.27)：“$\max$” --> “$\min$”

• p.39, 第1行，“大于” --> “小于”

• p.39, 最后一行：“$[-\infty ,$” --> “$(-\infty ,$”，“$,\infty ]$” --> “$,\infty )$”

• p.39, 倒数第1行: “若平均错误率……临界值范围” --> “若_{$\tao_t$}位于临界值范围”

• p.41, 式(2.32)的下一行: “自由度为~5” --> “自由度为~4”; “2.5706” --> “2.776”; “2.0150” --> “2.132”

• 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.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”

• p.42, 表2.5后第四行：“$(k^2-1)/12$” --> "$(k^2-1)/12N$"s

• 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)”

第 3 章 线性模型

• p.55, 最后一行: 式子括号中的逗号改为分号

• p.56, 图3.1中，红色第一和第二个点的坐标互换

• p.58, 倒数第二行：“对率函数” --> “下面我们会看到, 对率回归求解的目标函数”

• p.59, 式(3.27)加边注: “考虑 y i ∈ { 0 , 1 } y_i \in \{0, 1\} yi​∈{0,1}”

• p.59, 倒数第二行：“其第_$t+1$轮”–>“从当前_$\bm\beta$生成下一轮”

• p.59, 式(3.29): ${\mathbf{\beta }}^{t+1}$ --> ${\mathbf{\beta }}^{{}^{\prime }}$, ${\mathbf{\beta }}^t$ --> $\mathbf{\beta }$

• p.60, 图3.3中：“$y={\mathbf{w}}^{\mathrm{T}}\mathbf{x}$, $y$” --> “投影方向~$\mathbf{w}$”

• p.62, 第1行加边注: “$({\mathbf{\mu }}_0-{\mathbf{\mu }}_1{)}^{\mathrm{T}}\mathbf{w}$ 是标量”

• p.63, 式(3.45)下面一行: “$N-1$个最大” --> “$d^{\prime }$个最大非零”

• p.63, 式(3.45)下面第2行: “矩阵.” --> “矩阵, $d^{\prime }\le N-1$.”; 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” --> “$d^{\prime }$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” --> “$d^{\prime }$通常远小于数据原有的属性数$d$”

第 4 章 决策树

• 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.80, 倒数第2行：“算法4.2” --> “图 4.2 算法”
• 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., 图4.9, 中间分支底层: “硬挺”–> “硬滑”

第 5 章 神经网络

• 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.103, 最后一行的式子: 求和的"$q$" --> “$l$”

• p.112, 图 5.14a: 修订
  

• p.112, 式(5.24): 两处"${}^{\top }$" --> “${}^{\mathrm{T}}$”

• 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.119, 第14行: “318–362” --> “533–536”

• p.120, 第7行: “(1927 – )” --> “(1927 – 2016)”

第 6 章 支持向量机

• p.123, 倒数第三行，“即可将$L(w,b,\alpha )$中的$w$和$b$消去，再考虑式(6.10)的约束，就得到式(6.6)的对偶问题：”–> “考虑式(6.10)的约束，即可将$L(w,b,\alpha )$中的$w$和$b$消去，得到式(6.6)的对偶问题：”

• 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”

• p.125, 式(6.18): “$y_s$” --> “$1/y_s$”

• p.130, 式(6.31)-(6.33): 下标中"hinge",“exp”,“log” 斜体 --> 正体

• p.131, 图 6.5: 修订
  

• p.132, 倒数第7行: 下标中"log" 斜体 --> 正体

• 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."

• 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 “$\mathbf{x}$” --> “${\mathbf{x}}_i$”

第 7 章 贝叶斯分类器

• p.152, 第三个式子等号右端: “$0.375$” --> “$0.625$”
• p.152, 第10行: “6/8 = 0.750” --> “5/8 = 0.625”
• p.153, 第3行: “$0.038$” --> “$0.063$”
• p.153, 第6行: “$0.038$” --> “$0.063$”
• p.153, 第3行: “0.063” --> “0.052”
• p.153, 第6行: “0.063” --> “0.052”
• p.156, 倒数第7行：“(7.23)” --> “(7.21)”
• 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”
• p.159, 第一行加边注：“一般需先对图剪枝, 仅保留有向图中~$x$, $y$, $\mathbf{z}$~及它们的祖先结点”
• p.159, 倒数第5行: “Minimal” --> “Minimum”
• p.159, 倒数第9行、第10行中两处: “字节长度” --> “编码位数”
• p.160, 第1行、第4行中两处: “字节数” --> “编码位数”
• p.160, 第7行、第10行中两处: “字节” --> “编码位”
• 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.168, 倒数第5行: “Jeff.” --> “J.”

第 8 章 集成学习

• p.172, 式(8.2): “$H$” --> “$F$”
• p.173, 式(8.3): “$H$” --> “$F$”
• p.174, 图8.3最后一行: “$H$” --> “$F$”
• p.174, 式(8.7)中两处、(8.8)中 7 处、边注中两处: “$f(x)$” --> “$f(\mathbf{x})$”
• p.175, 式(8.12)前一行: “最小化” --> “最小化~${\ell }_{\exp }(H_{t-1}+{\alpha }_t{h}_t\mid \mathcal{D})$, 可简化为最小化”
• p.185, 式(8.28)前一行: “是” --> “定义为”
• p.187, 式(8.39)下面一行: “$\le$” --> “$\ge$”

第 9 章 聚类

• p.198, 式(9.1)-(9.4): “$i<j)$” --> “$i<j$”

• p.199, 式(9.12)：分母的 “KaTeX parse error: Undefined control sequence: \miu at position 6: (\bm{\̲m̲i̲u̲}_i, \bm{\miu}_…” --> “$(C_i,C_j)$”

• p.203, 图9.2下面一行: “${\mathbf{x}}_{27}$” --> “${\mathbf{x}}_{24}$”

• 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 “\bm{x}3", 去掉"\bm{x}{15}”

• p.203, 倒数第5行: 大括号中去掉 “\bm{x}3", 增加"\bm{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
  

• p.205, 图9.4第5行，$p_{i^{\ast }}$ --> ${\mathbf{p}}_{i^{\ast }}$
• p.206, 9.4.3节前倒数第5行: “$c_2$” --> “$c_1$”
• 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: “$j=1,2,\dots ,m$” --> “$j=i+1,\dots ,m$”
• p.220, 第6行: “$\mapsto$” --> “$\to$”,

第10章 降维与度量学习

• p.230, 式(10.14)结尾: “.” --> “,”
• p.230, 式(10.14)下面一行开头顶格插入: “其中$\mathbf{W}=({\mathbf{w}}_1,{\mathbf{w}}_2,\dots ,{\mathbf{w}}_d)$.”
• p.230, 式(10.15)上面一行加边注: “严格来说, 协方差矩阵是~$\frac{1}{m-1}{\sum }_{i=1}^m{\mathbf{x}}_i{\mathbf{x}}_i^{\mathrm{T}}$, 但前面的常数项在此不发生影响”
• p.230, 倒数第三行：“方差” --> “协方差矩阵”
• p.231, 式(10.17): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_i$", “$\lambda$” --> “${\lambda }_i$”
• p.231, 式(10.17)下面第二行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.231, 图10.5最后一行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.232, 第一行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.232, 式(10.19)前第二行: “$\mathbf{W}$” --> “$\mathbf{W}=({\mathbf{w}}_1,{\mathbf{w}}_2,\dots ,{\mathbf{w}}_d)$”
• p.232, 式(10.19)前第二行: “即PCA欲求解” --> “则对于 ${\mathbf{w}}_j$, 由式(10.17)有”
• p.232, 式(10.19): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; “$\lambda$” --> “${\lambda }_j$”
• p.233, 式(10.20): 三处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; 两处"$\lambda$"–>“${\lambda }_j$”; “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”
• p.233, 式(10.20)下一行: “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”; “$\lambda$”–>“${\lambda }_j$”; “$\mathbf{W}$”–>“${\mathbf{w}}_j$”
• p.233, 式(10.20)下一行: “. 假定” --> “是${\mathbf{\alpha }}_i$的第$j$个分量. 假定”
• p.233, 式(10.21): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; “$\lambda$”–>“${\lambda }_j$”
• p.233, 式(10.22): “$\mathbf{W}$”–>“${\mathbf{w}}_j$”; “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”
• p.233, 式(10.24): 两处"$\mathbf{A}$“–>”${\mathbf{\alpha }}^j$"; “$\lambda$”–>“${\lambda }_j$”
• p.233, 式(10.24)下面一行: “$\mathbf{A}=({\mathbf{\alpha }}_1;{\mathbf{\alpha }}_2;\dots ;{\mathbf{\alpha }}_m)$” --> “${\mathbf{\alpha }}^j=({\alpha }_1^j;{\alpha }_2^j;\dots ;{\alpha }_m^j)$”
• p.233, 式(10.25)下面一行: 去掉 “, ${\alpha }_i^j$ 是 ${\mathbf{\alpha }}_i$ 的第 $j$ 个分量”
• p.237, 图10.10第3行，“式(10.27)” --> “式(10.28)”
• p.239, 式(10.39)第二行式子: 去掉上标 “$2$”
• p.240, 倒数第2段第1行: “Lapl-” --> “Lapla-”
• p.244, 第13行: “Locally” --> “Nonlinear dimensionality reduction by locally”
• p.244, 第14行: “2316” --> “2326”

第11章 特征选择与稀疏学习

• p.249, 式(11.2): “$i=1$” --> “$k=1$”
• p.251, 倒数第6行: “当前特征子集~$A$” --> “当前特征子集~$A^{\ast }$”
• p.253, 倒数第5行: “[Boyd and Vandenberghe, 2004]” --> “[Combettes and Wajs, 2005]”
• p.253, 式(11.9): 不等式两边的平方去掉
• p.256, 第4段: “固定住${\alpha }_i$” --> “以${\alpha }_i$为初值”
• p.256, 最后一段第1行: “${\mathbf{E}}_i=$” --> “${\bf E}_i = {\bf X} - $”
• 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.”

第12章 计算学习理论

• p.269, 第3段倒数第2行: “$\delta$” --> “$1-\delta$”
• p.269, 最后一个边注倒数第3行: “$\delta$” --> “$1-\delta$”
• p.277, 式(12.29): “$E(h)-\hat{E}(h)$” --> “$\left|E(h)-\hat{E}(h)\right|$”
• p.278, 倒数第4个式子，增加编号: “(12.33)”
• p.278, 倒数第2个式子，增加编号: “(12.35)”
• p.284, 倒数第3行：“$y_i=$” --> “$y_i\in$”
• p.286, 第2行: “$l$” --> “$\ell$”
• p.290, 倒数第8行: “, eds.” --> “.”

第13章 半监督学习

• p.299, 式(13.9)后第三段第2行: “关于 $D_u$” --> “涉及 $C_u$”
• p.301, 式(13.12)的下一行: “$({\mathbf{f}}_l^{\mathrm{T}}{\mathbf{f}}_u^{\mathrm{T}}{)}^{\mathrm{T}}$” --> “$({\mathbf{f}}_l^{\mathrm{T}};{\mathbf{f}}_u^{\mathrm{T}})$”
• p.301, 式(13.12)的下一行: “({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})$"-->"$({\bm f}_l; {\bm f}_u)$”
• p.303, 式(13.20)：“\mapsto$"-->"$\to$”
• p.303, 图13.5, 步骤10：“$y_i$” --> “${\hat{y}}_i$”
• 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~$\mu {\sum }_{i=l+1}^{l+u}\Vert {\mathbf{F}}_i{\Vert }^2$, 在”; 同时插入边注: “参见_11.4节”
• p.307, 图13.7, 步骤11: “voilated” --> “violated”

第14章 概率图模型

• p.320, 第8行：“其余~$n-2$” --> “此前~$t-2$”
• p.325, 第5行： “${\mathbf{x}}_{V\setminus ⟨u,v⟩}$” --> “ x V ∖ { u , v } {\bf x}_{V \setminus \{ u, v \}} xV∖{u,v}​”
• p.325, 第一个边注：“所有邻接变量” --> “父变量、子变量、子变量的其他父变量”
• p.327, 倒数第10至倒数第4行: 两处"[$P$]" --> “[P]”, 4处"[$V$]" --> “[V]”
• p.337, 14.6节第3段: 5_个"$N$" --> “$d$”
• p.338, 第2行加边注: “上一步中指派的_{$z_{t,n}$}是话题~$k$”
• p.339, 式(14.41): “$i$” --> “$k$”; 两处~“$P$” --> “$p$”
• p.339, 式(14.41)下面一行: “$N$” --> “$d$”
• p.345, 倒数第6行： “2011” --> “2001”

第15章 规则学习

• p.358, 倒数第6行：“LGG($s$, $t$)” --> “$s$, $t$”

第16章 强化学习

• p.372, 图16.2，所有"$s$" --> “$x$”
• 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.384, 图16.10, 步骤9: “$\pi (x,a)$” --> “$\pi (x)$”
• p.385, 式(16.22): “$x$” --> “$x_i$”
• 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.385, 第二行: “在使用策略时并不需要$ϵ-$贪心” --> “而不是为了最终使用”
• 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."
• p.387, 倒数第二行: “$ϵ-$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$ϵ-$贪心策略”
• p.388, 图16.13, 步骤4: “${\pi }^{ϵ}(x)$” --> “$a={\pi }^{ϵ}(x)$”
• p.388, 图16.13, 步骤8: 去掉", $a=a^{\prime }$"
• p.393, 第四段第一行: 去掉 “[Kuleshov and Precup, 2000]和”
• p.393, 边注第1行：“后悔” --> “遗憾”
• p.393, 第4段第4行：“悔界” --> “遗憾界”
• p.395, 去掉最后一行
• p.396, 去掉第一行

附 录

• 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: “$2\mathbf{A}$” --> “$2{\mathbf{A}}^{\mathrm{T}}$”
• p.402, 式(A.32)加边注: “机器学习中 $\mathbf{W}$ 通常是对称矩阵”
• p.403, 第5行: “k” 正体 --> 斜体
• p.404, 式(B.3)最后一行的式子 --> “$\lambda g(\mathbf{x})=0$”
• p.405, 边注第2行: “乘子” --> “函数”
• p.406, 第10行：“再并令” --> “再令”
• p.415, 5处"字节数" --> “比特数”
• 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”

按时间排序

(第一版第45次印刷, 2024年1月):

• p.123, 倒数第三行，“即可将$L(w,b,\alpha )$中的$w$和$b$消去，再考虑式(6.10)的约束，就得到式(6.6)的对偶问题：”–> “考虑式(6.10)的约束，即可将$L(w,b,\alpha )$中的$w$和$b$消去，得到式(6.6)的对偶问题：”
• p.205, 图9.4第5行，$p_{i^{\ast }}$ --> ${\mathbf{p}}_{i^{\ast }}$
• p.237, 图10.10第3行，“式(10.27)” --> “式(10.28)”

(第一版第40次印刷, 2022年11月):

• p.39, 第1行，“大于” --> “小于”

(第一版第36次印刷, 2021年5月):

• p.38, 式(2.27), ${ϵ}_0\times m$ --> $ϵ\times m$
• p.38, 式(2.27), ${ϵ}^i(1-ϵ{)}^{m-i}$ --> ${ϵ}_0^i(1-{ϵ}_0{)}^{m-i}$

(第一版第35次印刷, 2020年11月):

• p.59, 倒数第二行：“其第_$t+1$轮”–>“从当前_$\bm\beta$生成下一轮”
• p.59, 式(3.29): ${\mathbf{\beta }}^{t+1}$ --> ${\mathbf{\beta }}^{{}^{\prime }}$, ${\mathbf{\beta }}^t$ --> $\mathbf{\beta }$
• p.325, 第5行： “${\mathbf{x}}_{V\setminus ⟨u,v⟩}$” --> “ x V ∖ { u , v } {\bf x}_{V \setminus \{ u, v \}} xV∖{u,v}​”
• p.327, 倒数第10至倒数第4行: 两处"[$P$]" --> “[P]”, 4处"[$V$]" --> “[V]”
• p.337, 14.6节第3段: 5_个"$N$" --> “$d$”
• p.338, 第2行加边注: “上一步中指派的_{$z_{t,n}$}是话题~$k$”
• p.339, 式(14.41): “$i$” --> “$k$”; 两处~“$P$” --> “$p$”
• p.339, 式(14.41)下面一行: “$N$” --> “$d$”
• p.345, 倒数第6行： “2011” --> “2001”
• p.372, 图16.2，所有"$s$" --> “$x$”
• p.415, 5处"字节数" --> “比特数”

(第一版第34次印刷, 2020年7月):

• p.10, 倒数第7行: “Nilson” --> “Nilsson”
• p.41, 式(2.32)的下一行: “自由度为~5” --> “自由度为~4”; “2.5706” --> “2.776”; “2.0150” --> “2.132”
• p.112, 式(5.24): 两处"${}^{\top }$" --> “${}^{\mathrm{T}}$”
• p.159, 倒数第5行: “Minimal” --> “Minimum”
• p.168, 倒数第5行: “Jeff.” --> “J.”
• p.220, 第6行: “$\mapsto$” --> “$\to$”,
• p.240, 倒数第2段第1行: “Lapl-” --> “Lapla-”
• p.251, 倒数第6行: “当前特征子集~$A$” --> “当前特征子集~$A^{\ast }$”
• p.253, 式(11.9): 不等式两边的平方去掉
• p.278, 倒数第4个式子，增加编号: “(12.33)”
• p.278, 倒数第2个式子，增加编号: “(12.35)”
• p.286, 第2行: “$l$” --> “$\ell$”
• p.290, 倒数第8行: “, eds.” --> “.”
• p.301, 式(13.12)的下一行: “({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})$"-->"$({\bm f}_l; {\bm f}_u)$”
• p.303, 式(13.20)：“\mapsto$"-->"$\to$”
• p.303, 图13.5, 步骤10：“$y_i$” --> “${\hat{y}}_i$”
• p.307, 图13.7, 步骤11: “voilated” --> “violated”
• p.325, 第一个边注：“所有邻接变量” --> “父变量、子变量、子变量的其他父变量”
• p.358, 倒数第6行：“LGG($s$, $t$)” --> “$s$, $t$”
• p.393, 边注第1行：“后悔” --> “遗憾”
• p.393, 第4段第4行：“悔界” --> “遗憾界”
• p.403, 第5行: “k” 正体 --> 斜体
• p.405, 边注第2行: “乘子” --> “函数”

(第一版第33次印刷, 2020年4月):

• p.31, 图 2.3: 修订
• p.130, 式(6.31)-(6.33): 下标中"hinge",“exp”,“log” 斜体 --> 正体
• p.132, 倒数第7行: 下标中"log" 斜体 --> 正体
• p.198, 式(9.1)-(9.4): “$i<j)$” --> “$i<j$”
• p.269, 第3段倒数第2行: “$\delta$” --> “$1-\delta$”
• p.269, 最后一个边注倒数第3行: “$\delta$” --> “$1-\delta$”

(第一版第31次印刷, 2019年9月):

• p.38, 式(2.27)：“$\max$” --> “$\min$”
• p.39, 倒数第1行: “若平均错误率……临界值范围” --> “若_{$\tao_t$}位于临界值范围”
• p.152, 第10行: “6/8 = 0.750” --> “5/8 = 0.625”
• p.153, 第3行: “0.063” --> “0.052”
• p.153, 第6行: “0.063” --> “0.052”
• p.172, 式(8.2): “$H$” --> “$F$”
• p.173, 式(8.3): “$H$” --> “$F$”
• p.174, 图8.3最后一行: “$H$” --> “$F$”
• p.175, 式(8.12)前一行: “最小化” --> “最小化~${\ell }_{\exp }(H_{t-1}+{\alpha }_t{h}_t\mid \mathcal{D})$, 可简化为最小化”
• p.185, 式(8.28)前一行: “是” --> “定义为”
• p.284, 倒数第3行：“$y_i=$” --> “$y_i\in$”
• p.385, 式(16.22): “$x$” --> “$x_i$”
• p.406, 第10行：“再并令” --> “再令”

(第一版第27次印刷, 2018年6月):

• p.42, 表2.5后第四行：“$(k^2-1)/12$” --> “$(k^2-1)/12N$”
• p.159, 倒数第9行、第10行中两处: “字节长度” --> “编码位数”
• p.160, 第1行、第4行中两处: “字节数” --> “编码位数”
• p.160, 第7行、第10行中两处: “字节” --> “编码位”
• p.174, 式(8.7)中两处、(8.8)中 7 处、边注中两处: “$f(x)$” --> “$f(\mathbf{x})$”

(第一版第26次印刷, 2018年5月):

• p.58, 倒数第二行：“对率函数” --> “下面我们会看到, 对率回归求解的目标函数”
• p.230, 倒数第三行：“方差” --> “协方差矩阵”

(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 “KaTeX parse error: Undefined control sequence: \miu at position 6: (\bm{\̲m̲i̲u̲}_i, \bm{\miu}_…” --> “$(C_i,C_j)$”

(第一版第24次印刷, 2018年1月):

• p.112, 图 5.14a: 修订
• 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~$\mu {\sum }_{i=l+1}^{l+u}\Vert {\mathbf{F}}_i{\Vert }^2$, 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

(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：“$y={\mathbf{w}}^{\mathrm{T}}\mathbf{x}$, $y$” --> “投影方向~$\mathbf{w}$”
• 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~$x$, $y$, $\mathbf{z}$~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~$\frac{1}{m-1}{\sum }_{i=1}^m{\mathbf{x}}_i{\mathbf{x}}_i^{\mathrm{T}}$, 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: “${\pi }^{ϵ}(x)$” --> “$a={\pi }^{ϵ}(x)$”
• p.388, 图16.13, 步骤8: 去掉", $a=a^{\prime }$"

(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
• 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: “$j=1,2,\dots ,m$” --> “$j=i+1,\dots ,m$”
• p.230, 式(10.14)结尾: “.” --> “,”
• p.230, 式(10.14)下面一行开头顶格插入: “其中$\mathbf{W}=({\mathbf{w}}_1,{\mathbf{w}}_2,\dots ,{\mathbf{w}}_d)$.”
• p.231, 式(10.17): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_i$", “$\lambda$” --> “${\lambda }_i$”
• p.231, 式(10.17)下面第二行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.231, 图10.5最后一行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.232, 第一行: “$\mathbf{W}$” --> “${\mathbf{W}}^{\ast }$”
• p.232, 式(10.19)前第二行: “$\mathbf{W}$” --> “$\mathbf{W}=({\mathbf{w}}_1,{\mathbf{w}}_2,\dots ,{\mathbf{w}}_d)$”
• p.232, 式(10.19)前第二行: “即PCA欲求解” --> “则对于 ${\mathbf{w}}_j$, 由式(10.17)有”
• p.232, 式(10.19): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; “$\lambda$” --> “${\lambda }_j$”
• p.233, 式(10.20): 三处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; 两处"$\lambda$"–>“${\lambda }_j$”; “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”
• p.233, 式(10.20)下一行: “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”; “$\lambda$”–>“${\lambda }_j$”; “$\mathbf{W}$”–>“${\mathbf{w}}_j$”
• p.233, 式(10.20)下一行: “. 假定” --> “是${\mathbf{\alpha }}_i$的第$j$个分量. 假定”
• p.233, 式(10.21): 两处"$\mathbf{W}$“–>”${\mathbf{w}}_j$"; “$\lambda$”–>“${\lambda }_j$”
• p.233, 式(10.22): “$\mathbf{W}$”–>“${\mathbf{w}}_j$”; “${\mathbf{\alpha }}_i$”–>“${\alpha }_i^j$”
• p.233, 式(10.24): 两处"$\mathbf{A}$“–>”${\mathbf{\alpha }}^j$"; “$\lambda$”–>“${\lambda }_j$”
• p.233, 式(10.24)下面一行: “$\mathbf{A}=({\mathbf{\alpha }}_1;{\mathbf{\alpha }}_2;\dots ;{\mathbf{\alpha }}_m)$” --> “${\mathbf{\alpha }}^j=({\alpha }_1^j;{\alpha }_2^j;\dots ;{\alpha }_m^j)$”
• p.233, 式(10.25)下面一行: 去掉 “, ${\alpha }_i^j$ 是 ${\mathbf{\alpha }}_i$ 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: “${\mathbf{x}}_{27}$” --> “${\mathbf{x}}_{24}$”
• 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 “\bm{x}3", 去掉"\bm{x}{15}”
• p.203, 倒数第5行: 大括号中去掉 “\bm{x}3", 增加"\bm{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

(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” --> “$d^{\prime }$个最大非零”
• p.63, 式(3.45)下面第2行: “矩阵.” --> “矩阵, $d^{\prime }\le N-1$.”; 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” --> “$d^{\prime }$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” --> “$d^{\prime }$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 “$\mathbf{x}$” --> “${\mathbf{x}}_i$”
• 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: “$({\mathbf{f}}_l^{\mathrm{T}}{\mathbf{f}}_u^{\mathrm{T}}{)}^{\mathrm{T}}$” --> “$({\mathbf{f}}_l^{\mathrm{T}};{\mathbf{f}}_u^{\mathrm{T}})$”
• 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$ϵ-$贪心” --> “而不是为了最终使用”
• p.387, 倒数第二行: “$ϵ-$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$ϵ-$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 $\mathbf{W}$ 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: “$({\mathbf{\mu }}_0-{\mathbf{\mu }}_1{)}^{\mathrm{T}}\mathbf{w}$ 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., 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: “$2\mathbf{A}$” --> “$2{\mathbf{A}}^{\mathrm{T}}$”

(第一版第4次印刷, 2016年3月)：

• p.59, 式(3.27)加边注: “考虑 y i ∈ { 0 , 1 } y_i \in \{0, 1\} yi​∈{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: “${ϵ}^{m^{\prime }}$” --> “$\left(\genfrac{}{}{0ex}{}{m}{m^{\prime }}\right){ϵ}^{m^{\prime }}$”
• p.119, 第14行: “318–362” --> “533–536”
• p.404, 式(B.3)最后一行的式子 --> “$\lambda g(\mathbf{x})=0$”

(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${\alpha }_i$” --> “以${\alpha }_i$为初值”
• p.256, 最后一段第1行: “${\mathbf{E}}_i=$” --> “${\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."