【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)
QomolangmaH 2024-09-13 14:31:01 阅读 97
文章目录
按章节排序第 1 章 绪论第 2 章 模型评估与选择第 3 章 线性模型第 4 章 决策树第 5 章 神经网络第 6 章 支持向量机第 7 章 贝叶斯分类器第 8 章 集成学习第 9 章 聚类第10章 降维与度量学习第11章 特征选择与稀疏学习第12章 计算学习理论第13章 半监督学习第14章 概率图模型第15章 规则学习第16章 强化学习附 录
按时间排序(第一版第45次印刷, 2024年1月):(第一版第40次印刷, 2022年11月):(第一版第36次印刷, 2021年5月):(第一版第35次印刷, 2020年11月):(第一版第34次印刷, 2020年7月):(第一版第33次印刷, 2020年4月):(第一版第31次印刷, 2019年9月):(第一版第27次印刷, 2018年6月):(第一版第26次印刷, 2018年5月):(第一版第25次印刷, 2018年3月):(第一版第24次印刷, 2018年1月):(第一版第23次印刷, 2017年10月):(第一版第22次印刷, 2017年9月):(第一版第21次印刷, 2017年8月)(第一版第20次印刷, 2017年7月):(第一版第19次印刷, 2017年6月):(第一版第18次印刷, 2017年5月):(第一版第17次印刷, 2017年4月):(第一版第16次印刷, 2017年3月):(第一版第15次印刷, 2017年2月):(第一版第14次印刷, 2016年12月):(第一版第13次印刷, 2016年11月):(第一版第10次印刷, 2016年9月):(第一版第9次印刷, 2016年8月)(第一版第8次印刷, 2016年5月):(第一版第7次印刷, 2016年4月):(第一版第6次印刷, 2016年4月):(第一版第5次印刷, 2016年3月):(第一版第4次印刷, 2016年3月):(第一版第3次印刷, 2016年3月):(第一版第2次印刷, 2016年2月):(第一版第1次印刷, 2016年1月):
[本书因颇受欢迎,出版社提出重印,于是作者借机要求在每次重印时加入新的修订,省却让读者等待第二版的麻烦。为方便读者,所有修订内容都列举在此。其中部分修订是为了更便于读者理解,并非原文有误]
原勘误链接: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
×
3
×
3
+
1
=
37
4 \times 3 \times 3 + 1 = 37
4×3×3+1=37” --> “
4
×
4
×
4
+
1
=
65
4 \times 4 \times 4 + 1 = 65
4×4×4+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: 修订文件
p.34, 图 2.4(b): 修订文件
p.36, 倒数第5行: “(TPR, FPR)” --> “(FPR, TPR)”
p.38, 第6行: “
ϵ
m
′
\epsilon^{m'}
ϵm′” --> “
(
m
m
′
)
ϵ
m
′
{m \choose m'} \epsilon^{m'}
(m′m)ϵm′”
p.38, 式(2.27),
ϵ
0
×
m
\epsilon_0 \times m
ϵ0×m -->
ϵ
×
m
\epsilon \times m
ϵ×m
p.38, 式(2.27),
ϵ
i
(
1
−
ϵ
)
m
−
i
\epsilon^{i} (1-\epsilon)^{m-i}
ϵi(1−ϵ)m−i -->
ϵ
0
i
(
1
−
ϵ
0
)
m
−
i
\epsilon_0^{i} (1-\epsilon_0)^{m-i}
ϵ0i(1−ϵ0)m−i
p.38, 式(2.27):“
max
\max
max” --> “
min
\min
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
e_{01} + e_{10}
e01+e10 通常很小, 需考虑连续性校正, 因此分子中有
−
1
-1
−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
k
k较大(例如
>
30
>30
>30),若
k
k
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)/12
(k2−1)/12” --> "
(
k
2
−
1
)
/
12
N
(k^2-1)/12N
(k2−1)/12N"s
p.45, 第一个边注: “由式(2.37)” --> “考虑到噪声不依赖于
f
f
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):
β
t
+
1
\bm\beta^{t+1}
βt+1 -->
β
′
\bm\beta^{'}
β′,
β
t
\bm\beta^{t}
βt -->
β
\bm\beta
β
p.60, 图3.3中:“
y
=
w
T
x
y = \bm{w}^{\rm T}\bm{x}
y=wTx,
y
y
y” --> “投影方向~
w
\bm{w}
w”
p.62, 第1行加边注: “
(
μ
0
−
μ
1
)
T
w
(\bm {\mu}_0 - \bm{\mu}_1)^{\rm T} \bm{w}
(μ0−μ1)Tw 是标量”
p.63, 式(3.45)下面一行: “
N
−
1
N-1
N−1个最大” --> “
d
′
d'
d′个最大非零”
p.63, 式(3.45)下面第2行: “矩阵.” --> “矩阵,
d
′
≤
N
−
1
d'\le N-1
d′≤N−1.”; 加边注: “最多有
N
−
1
N-1
N−1个非零特征值”
p.63, 式(3.45)下面第3行: “
N
−
1
N-1
N−1维” --> “
d
′
d'
d′维”
p.63, 式(3.45)下面第4行: “
N
−
1
N-1
N−1通常远小于数据原有的属性数” --> “
d
′
d'
d′通常远小于数据原有的属性数
d
d
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.89, 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
0.5
0.5” --> “阈值
1.5
1.5
1.5”
p.100, 图5.5, 左图最右边的 “阈值
0.5
0.5
0.5” --> “阈值
−
1.5
-1.5
−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
q
q" --> “
l
l
l”
p.112, 图 5.14a: 修订文件
p.112, 式(5.24): 两处"
⊤
^{\top}
⊤" --> “
T
^{\rm T}
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
,
α
)
L(w,b,\alpha)
L(w,b,α)中的
w
w
w和
b
b
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
,
α
)
L(w,b,\alpha)
L(w,b,α)中的
w
w
w和
b
b
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
y_s
ys” --> “
1
/
y
s
1/y_s
1/ys”
p.130, 式(6.31)-(6.33): 下标中"hinge",“exp”,“log” 斜体 --> 正体
p.131, 图 6.5: 修订文件
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
i
i” --> “
j
j
j”
p.136, 式(6.54): 右边最后一项中最后的 “
x
{\bm x}
x” --> “
x
i
{\bm x}_i
xi”
第 7 章 贝叶斯分类器
p.152, 第三个式子等号右端: “
0.375
0.375
0.375” --> “
0.625
0.625
0.625”p.152, 第10行: “6/8 = 0.750” --> “5/8 = 0.625”p.153, 第3行: “
0.038
0.038
0.038” --> “
0.063
0.063
0.063”p.153, 第6行: “
0.038
0.038
0.038” --> “
0.063
0.063
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_i
Ni” --> “N \times N_i”p.156, 式(7.25)下面一行: “其中
N
i
N_i
Ni” --> “其中
N
N
N 是
D
D
D 中可能的类别数,
N
i
N_i
Ni”p.156, 式(7.25)下面第4行, 分母: “
17
+
3
17+3
17+3” --> “
17
+
3
×
2
17 + 3 \times 2
17+3×2”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
x
x,
y
y
y,
z
\bf{z}
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
D
D” --> “对
D
D
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
H
H” --> “
F
F
F”p.173, 式(8.3): “
H
H
H” --> “
F
F
F”p.174, 图8.3最后一行: “
H
H
H” --> “
F
F
F”p.174, 式(8.7)中两处、(8.8)中 7 处、边注中两处: “
f
(
x
)
f(x)
f(x)” --> “
f
(
x
)
f(\bm{x})
f(x)”p.175, 式(8.12)前一行: “最小化” --> “最小化~
ℓ
e
x
p
(
H
t
−
1
+
α
t
h
t
∣
D
)
\ell_{\rm exp}(H_{t-1} + \alpha_t h_t \mid \mathcal{D})
ℓexp(Ht−1+αtht∣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)
i<j)” --> “
i
<
j
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
)
(C_i, C_j)
(Ci,Cj)”
p.203, 图9.2下面一行: “
x
27
\bm{x}_{27}
x27” --> “
x
24
\bm{x}_{24}
x24”
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: 修订文件
p.205, 图9.4第5行,
p
i
∗
p_{i^*}
pi∗ -->
p
i
∗
\bm {p}_{i^*}
pi∗p.206, 9.4.3节前倒数第5行: “
c
2
c_2
c2” --> “
c
1
c_1
c1”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
,
…
,
m
j = 1, 2, \ldots, m
j=1,2,…,m” --> “
j
=
i
+
1
,
…
,
m
j = i+1, \ldots, m
j=i+1,…,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
W
=
(
w
1
,
w
2
,
…
,
w
d
)
{\bf W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)
W=(w1,w2,…,wd).”p.230, 式(10.15)上面一行加边注: “严格来说, 协方差矩阵是~
1
m
−
1
∑
i
=
1
m
x
i
x
i
T
{1 \over {m-1}}\sum\nolimits_{i=1}^m\bm{x}_i\bm{x}_i^{\rm T}
m−11∑i=1mxixiT, 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"
W
{\bf W}
W“–>”
w
i
{\bm w}_i
wi", “
λ
\lambda
λ” --> “
λ
i
\lambda_i
λi”p.231, 式(10.17)下面第二行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.231, 图10.5最后一行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.232, 第一行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.232, 式(10.19)前第二行: “
W
{\bf W}
W” --> “
W
=
(
w
1
,
w
2
,
…
,
w
d
)
{\bf W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)
W=(w1,w2,…,wd)”p.232, 式(10.19)前第二行: “即PCA欲求解” --> “则对于
w
j
\bm{w}_j
wj, 由式(10.17)有”p.232, 式(10.19): 两处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; “
λ
\lambda
λ” --> “
λ
j
\lambda_j
λj”p.233, 式(10.20): 三处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; 两处"
λ
\lambda
λ"–>“
λ
j
\lambda_j
λj”; “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”p.233, 式(10.20)下一行: “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”; “
W
{\bf W}
W”–>“
w
j
{\bm w}_j
wj”p.233, 式(10.20)下一行: “. 假定” --> “是
α
i
{\bm \alpha}_i
αi的第
j
j
j个分量. 假定”p.233, 式(10.21): 两处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”p.233, 式(10.22): “
W
{\bf W}
W”–>“
w
j
{\bm w}_j
wj”; “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”p.233, 式(10.24): 两处"
A
{\bf A}
A“–>”
α
j
{\bm \alpha}^j
αj"; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”p.233, 式(10.24)下面一行: “
A
=
(
α
1
;
α
2
;
…
;
α
m
)
{\bf A} = ({\bm \alpha}_1; {\bm \alpha}_2; \ldots; {\bm \alpha}_m)
A=(α1;α2;…;αm)” --> “
α
j
=
(
α
1
j
;
α
2
j
;
…
;
α
m
j
)
{\bm \alpha}^j = (\alpha_1^j; \alpha_2^j; \ldots; \alpha_m^j)
αj=(α1j;α2j;…;αmj)”p.233, 式(10.25)下面一行: 去掉 “,
α
i
j
\alpha_i^j
αij 是
α
i
{\bm \alpha}_i
αi 的第
j
j
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
2
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
i=1
i=1” --> “
k
=
1
k=1
k=1”p.251, 倒数第6行: “当前特征子集~
A
A
A” --> “当前特征子集~
A
∗
A^*
A∗”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
α
i
{\bf \alpha}_i
αi” --> “以
α
i
{\bf \alpha}_i
αi为初值”p.256, 最后一段第1行: “
E
i
=
{\bf E}_i =
Ei=” --> “${\bf E}_i = {\bf X} - $”p.263, 倒数第4行, 插入: “Combettes, P. L. and V. R. Wajs. (2005). ``Signal recovery by proximal forward-backward splitting.‘’ \textit{Mutiscale Modeling & Simulation}, 4(4):1168–1200.”
第12章 计算学习理论
p.269, 第3段倒数第2行: “
δ
\delta
δ” --> “
1
−
δ
1-\delta
1−δ”p.269, 最后一个边注倒数第3行: “
δ
\delta
δ” --> “
1
−
δ
1-\delta
1−δ”p.277, 式(12.29): “
E
(
h
)
−
E
^
(
h
)
E(h) - \hat{E}(h)
E(h)−E^(h)” --> “
∣
E
(
h
)
−
E
^
(
h
)
∣
\left| E(h) - \hat{E}(h) \right|
E(h)−E^(h)
”p.278, 倒数第4个式子,增加编号: “(12.33)”p.278, 倒数第2个式子,增加编号: “(12.35)”p.284, 倒数第3行:“
y
i
=
y_i =
yi=” --> “
y
i
∈
y_i \in
yi∈”p.286, 第2行: “
l
l
l” --> “
ℓ
\ell
ℓ”p.290, 倒数第8行: “, eds.” --> “.”
第13章 半监督学习
p.299, 式(13.9)后第三段第2行: “关于
D
u
D_u
Du” --> “涉及
C
u
C_u
Cu”p.301, 式(13.12)的下一行: “
(
f
l
T
f
u
T
)
T
({\bm f}_l^{\rm T}\,{\bm f}_u^{\rm T})^{\rm T}
(flTfuT)T” --> “
(
f
l
T
;
f
u
T
)
({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})
(flT;fuT)”p.301, 式(13.12)的下一行: “({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})
"
−
−
>
"
" --> "
"−−>"({\bm f}_l; {\bm f}_u)$”p.303, 式(13.20):“\mapsto
"
−
−
>
"
" --> "
"−−>"\to$”p.303, 图13.5, 步骤10:“
y
i
y_i
yi” --> “
y
^
i
\hat{y}_i
y^i”p.303, 倒数第二行:去掉 “[Zhou et al., 2004]”p.304, 第一行:“当” --> “考虑到有标记样本通常很少而未标记样本很多, 为缓解过拟合, 可在式(13.21)中引入针对未标记样本的L$_2$范数项~
μ
∑
i
=
l
+
1
l
+
u
∥
F
i
∥
2
\mu \sum_{i=l+1}^{l+u}\|\mathbf{F}_{i}\|^{2}
μ∑i=l+1l+u∥Fi∥2, 在”; 同时插入边注: “参见11.4节”p.307, 图13.7, 步骤11: “voilated” --> “violated”
第14章 概率图模型
p.320, 第8行:“其余~
n
−
2
n-2
n−2” --> “此前~
t
−
2
t-2
t−2”p.325, 第5行: “
x
V
∖
⟨
u
,
v
⟩
{\bf x}_{V \setminus \langle u, v\rangle}
xV∖⟨u,v⟩” --> “
x
V
∖
{
u
,
v
}
{\bf x}_{V \setminus \{ u, v \}}
xV∖{ u,v}”p.325, 第一个边注:“所有邻接变量” --> “父变量、子变量、子变量的其他父变量”p.327, 倒数第10至倒数第4行: 两处"[
P
P
P]" --> “[P]”, 4处"[
V
V
V]" --> “[V]”p.337, 14.6节第3段: 5个"
N
N
N" --> “
d
d
d”p.338, 第2行加边注: “上一步中指派的$z_{t,n}$是话题~
k
k
k”p.339, 式(14.41): “
i
i
i” --> “
k
k
k”; 两处~“
P
P
P” --> “
p
p
p”p.339, 式(14.41)下面一行: “
N
N
N” --> “
d
d
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
s
s,
t
t
t)” --> “
s
s
s,
t
t
t”
第16章 强化学习
p.372, 图16.2,所有"
s
s
s" --> “
x
x
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: “
π
(
x
,
a
)
\pi(x, a)
π(x,a)” --> “
π
(
x
)
\pi(x)
π(x)”p.385, 式(16.22): “
x
x
x” --> “
x
i
x_i
xi”p.385, 式(16.25)和(16.26): 两处"
r
i
r_i
ri" --> “
R
i
R_i
Ri”p.385, 式(16.25)下一行: “若改用……” --> “其中
R
i
R_i
Ri表示第
i
i
i条轨迹上自状态
x
x
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
−
\epsilon-
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
=
π
(
x
i
)
a_i=\pi(x_i)
ai=π(xi)始终为1”p.386, 图16.11, 第4步: 两处 “
π
(
x
)
\pi(x)
π(x)” --> “
π
(
x
i
)
\pi(x_i)
π(xi)”p.386, 图16.11, 第6步的式子 --> “
R
=
1
T
−
t
(
∑
i
=
t
+
1
T
r
i
)
∏
i
=
t
+
1
T
−
1
I
(
a
i
=
π
(
x
i
)
)
p
i
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}
R=T−t1(∑i=t+1Tri)∏i=t+1T−1piI(ai=π(xi))”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
−
\epsilon-
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
−
\epsilon-
ϵ−贪心策略”p.388, 图16.13, 步骤4: “
π
ϵ
(
x
)
\pi^{\epsilon}(x)
πϵ(x)” --> “
a
=
π
ϵ
(
x
)
a = \pi^{\epsilon}(x)
a=πϵ(x)”p.388, 图16.13, 步骤8: 去掉",
a
=
a
′
a = a'
a=a′"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
σ
n
A_{1 \sigma n}
A1σn” --> “
A
n
σ
n
A_{n \sigma n}
Anσn”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
A
2{\mathbf A}
2A” --> “
2
A
T
2{\mathbf A}^{\rm T}
2AT”p.402, 式(A.32)加边注: “机器学习中
W
\bf W
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 --> “
λ
g
(
x
)
=
0
\lambda g({\bm x})=0
λg(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
,
α
)
L(w,b,\alpha)
L(w,b,α)中的
w
w
w和
b
b
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
,
α
)
L(w,b,\alpha)
L(w,b,α)中的
w
w
w和
b
b
b消去,得到式(6.6)的对偶问题:”p.205, 图9.4第5行,
p
i
∗
p_{i^*}
pi∗ -->
p
i
∗
\bm {p}_{i^*}
pi∗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
×
m
\epsilon_0 \times m
ϵ0×m -->
ϵ
×
m
\epsilon \times m
ϵ×mp.38, 式(2.27),
ϵ
i
(
1
−
ϵ
)
m
−
i
\epsilon^{i} (1-\epsilon)^{m-i}
ϵi(1−ϵ)m−i -->
ϵ
0
i
(
1
−
ϵ
0
)
m
−
i
\epsilon_0^{i} (1-\epsilon_0)^{m-i}
ϵ0i(1−ϵ0)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$生成下一轮”p.59, 式(3.29):
β
t
+
1
\bm\beta^{t+1}
βt+1 -->
β
′
\bm\beta^{'}
β′,
β
t
\bm\beta^{t}
βt -->
β
\bm\beta
βp.325, 第5行: “
x
V
∖
⟨
u
,
v
⟩
{\bf x}_{V \setminus \langle u, v\rangle}
xV∖⟨u,v⟩” --> “
x
V
∖
{
u
,
v
}
{\bf x}_{V \setminus \{ u, v \}}
xV∖{ u,v}”p.327, 倒数第10至倒数第4行: 两处"[
P
P
P]" --> “[P]”, 4处"[
V
V
V]" --> “[V]”p.337, 14.6节第3段: 5个"
N
N
N" --> “
d
d
d”p.338, 第2行加边注: “上一步中指派的$z_{t,n}$是话题~
k
k
k”p.339, 式(14.41): “
i
i
i” --> “
k
k
k”; 两处~“
P
P
P” --> “
p
p
p”p.339, 式(14.41)下面一行: “
N
N
N” --> “
d
d
d”p.345, 倒数第6行: “2011” --> “2001”p.372, 图16.2,所有"
s
s
s" --> “
x
x
x”p.415, 5处"字节数" --> “比特数”
(第一版第34次印刷, 2020年7月):
p.10, 倒数第7行: “Nilson” --> “Nilsson”p.41, 式(2.32)的下一行: “自由度为~5” --> “自由度为~4”; “2.5706” --> “2.776”; “2.0150” --> “2.132”p.112, 式(5.24): 两处"
⊤
^{\top}
⊤" --> “
T
^{\rm T}
T”p.159, 倒数第5行: “Minimal” --> “Minimum”p.168, 倒数第5行: “Jeff.” --> “J.”p.220, 第6行: “
↦
\mapsto
↦” --> “
→
\to
→”,p.240, 倒数第2段第1行: “Lapl-” --> “Lapla-”p.251, 倒数第6行: “当前特征子集~
A
A
A” --> “当前特征子集~
A
∗
A^*
A∗”p.253, 式(11.9): 不等式两边的平方去掉p.278, 倒数第4个式子,增加编号: “(12.33)”p.278, 倒数第2个式子,增加编号: “(12.35)”p.286, 第2行: “
l
l
l” --> “
ℓ
\ell
ℓ”p.290, 倒数第8行: “, eds.” --> “.”p.301, 式(13.12)的下一行: “({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})
"
−
−
>
"
" --> "
"−−>"({\bm f}_l; {\bm f}_u)$”p.303, 式(13.20):“\mapsto
"
−
−
>
"
" --> "
"−−>"\to$”p.303, 图13.5, 步骤10:“
y
i
y_i
yi” --> “
y
^
i
\hat{y}_i
y^i”p.307, 图13.7, 步骤11: “voilated” --> “violated”p.325, 第一个边注:“所有邻接变量” --> “父变量、子变量、子变量的其他父变量”p.358, 倒数第6行:“LGG(
s
s
s,
t
t
t)” --> “
s
s
s,
t
t
t”p.393, 边注第1行:“后悔” --> “遗憾”p.393, 第4段第4行:“悔界” --> “遗憾界”p.403, 第5行: “k” 正体 --> 斜体p.405, 边注第2行: “乘子” --> “函数”
(第一版第33次印刷, 2020年4月):
p.31, 图 2.3: 修订文件p.130, 式(6.31)-(6.33): 下标中"hinge",“exp”,“log” 斜体 --> 正体p.132, 倒数第7行: 下标中"log" 斜体 --> 正体p.198, 式(9.1)-(9.4): “
i
<
j
)
i<j)
i<j)” --> “
i
<
j
i<j
i<j”p.269, 第3段倒数第2行: “
δ
\delta
δ” --> “
1
−
δ
1-\delta
1−δ”p.269, 最后一个边注倒数第3行: “
δ
\delta
δ” --> “
1
−
δ
1-\delta
1−δ”
(第一版第31次印刷, 2019年9月):
p.38, 式(2.27):“
max
\max
max” --> “
min
\min
min”p.39, 倒数第1行: “若平均错误率……临界值范围” --> “若$\tao_t$位于临界值范围”p.152, 第10行: “6/8 = 0.750” --> “5/8 = 0.625”p.153, 第3行: “0.063” --> “0.052”p.153, 第6行: “0.063” --> “0.052”p.172, 式(8.2): “
H
H
H” --> “
F
F
F”p.173, 式(8.3): “
H
H
H” --> “
F
F
F”p.174, 图8.3最后一行: “
H
H
H” --> “
F
F
F”p.175, 式(8.12)前一行: “最小化” --> “最小化~
ℓ
e
x
p
(
H
t
−
1
+
α
t
h
t
∣
D
)
\ell_{\rm exp}(H_{t-1} + \alpha_t h_t \mid \mathcal{D})
ℓexp(Ht−1+αtht∣D), 可简化为最小化”p.185, 式(8.28)前一行: “是” --> “定义为”p.284, 倒数第3行:“
y
i
=
y_i =
yi=” --> “
y
i
∈
y_i \in
yi∈”p.385, 式(16.22): “
x
x
x” --> “
x
i
x_i
xi”p.406, 第10行:“再并令” --> “再令”
(第一版第27次印刷, 2018年6月):
p.42, 表2.5后第四行:“
(
k
2
−
1
)
/
12
(k^2-1)/12
(k2−1)/12” --> “
(
k
2
−
1
)
/
12
N
(k^2-1)/12N
(k2−1)/12N”p.159, 倒数第9行、第10行中两处: “字节长度” --> “编码位数”p.160, 第1行、第4行中两处: “字节数” --> “编码位数”p.160, 第7行、第10行中两处: “字节” --> “编码位”p.174, 式(8.7)中两处、(8.8)中 7 处、边注中两处: “
f
(
x
)
f(x)
f(x)” --> “
f
(
x
)
f(\bm{x})
f(x)”
(第一版第26次印刷, 2018年5月):
p.58, 倒数第二行:“对率函数” --> “下面我们会看到, 对率回归求解的目标函数”p.230, 倒数第三行:“方差” --> “协方差矩阵”
(第一版第25次印刷, 2018年3月):
p.39, 最后一行:“
[
−
∞
,
[-\infty,
[−∞,” --> “
(
−
∞
,
(-\infty,
(−∞,”,“
,
∞
]
, \infty]
,∞]” --> “
,
∞
)
, \infty)
,∞)”p.199, 式(9.12):分母的 “KaTeX parse error: Undefined control sequence: \miu at position 6: (\bm{\̲m̲i̲u̲}_i, \bm{\miu}_…” --> “
(
C
i
,
C
j
)
(C_i, C_j)
(Ci,Cj)”
(第一版第24次印刷, 2018年1月):
p.112, 图 5.14a: 修订文件p.303, 倒数第二行:去掉 “[Zhou et al., 2004]”p.304, 第一行:“当” --> “考虑到有标记样本通常很少而未标记样本很多, 为缓解过拟合, 可在式(13.21)中引入针对未标记样本的L$_2$范数项~
μ
∑
i
=
l
+
1
l
+
u
∥
F
i
∥
2
\mu \sum_{i=l+1}^{l+u}\|\mathbf{F}_{i}\|^{2}
μ∑i=l+1l+u∥Fi∥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
n-2
n−2” --> “此前~
t
−
2
t-2
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
=
w
T
x
y = \bm{w}^{\rm T}\bm{x}
y=wTx,
y
y
y” --> “投影方向~
w
\bm{w}
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
x
x,
y
y
y,
z
\bf{z}
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
m
−
1
∑
i
=
1
m
x
i
x
i
T
{1 \over {m-1}}\sum\nolimits_{i=1}^m\bm{x}_i\bm{x}_i^{\rm T}
m−11∑i=1mxixiT, 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: “
π
(
x
,
a
)
\pi(x, a)
π(x,a)” --> “
π
(
x
)
\pi(x)
π(x)”p.388, 图16.13, 步骤4: “
π
ϵ
(
x
)
\pi^{\epsilon}(x)
πϵ(x)” --> “
a
=
π
ϵ
(
x
)
a = \pi^{\epsilon}(x)
a=πϵ(x)”p.388, 图16.13, 步骤8: 去掉",
a
=
a
′
a = a'
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_2
c2” --> “
c
1
c_1
c1”
(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
,
…
,
m
j = 1, 2, \ldots, m
j=1,2,…,m” --> “
j
=
i
+
1
,
…
,
m
j = i+1, \ldots, m
j=i+1,…,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
W
=
(
w
1
,
w
2
,
…
,
w
d
)
{\bf W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)
W=(w1,w2,…,wd).”p.231, 式(10.17): 两处"
W
{\bf W}
W“–>”
w
i
{\bm w}_i
wi", “
λ
\lambda
λ” --> “
λ
i
\lambda_i
λi”p.231, 式(10.17)下面第二行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.231, 图10.5最后一行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.232, 第一行: “
W
{\bf W}
W” --> “
W
∗
{\bf W}^*
W∗”p.232, 式(10.19)前第二行: “
W
{\bf W}
W” --> “
W
=
(
w
1
,
w
2
,
…
,
w
d
)
{\bf W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)
W=(w1,w2,…,wd)”p.232, 式(10.19)前第二行: “即PCA欲求解” --> “则对于
w
j
\bm{w}_j
wj, 由式(10.17)有”p.232, 式(10.19): 两处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; “
λ
\lambda
λ” --> “
λ
j
\lambda_j
λj”p.233, 式(10.20): 三处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; 两处"
λ
\lambda
λ"–>“
λ
j
\lambda_j
λj”; “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”p.233, 式(10.20)下一行: “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”; “
W
{\bf W}
W”–>“
w
j
{\bm w}_j
wj”p.233, 式(10.20)下一行: “. 假定” --> “是
α
i
{\bm \alpha}_i
αi的第
j
j
j个分量. 假定”p.233, 式(10.21): 两处"
W
{\bf W}
W“–>”
w
j
{\bm w}_j
wj"; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”p.233, 式(10.22): “
W
{\bf W}
W”–>“
w
j
{\bm w}_j
wj”; “
α
i
{\bm \alpha}_i
αi”–>“
α
i
j
\alpha_i^j
αij”p.233, 式(10.24): 两处"
A
{\bf A}
A“–>”
α
j
{\bm \alpha}^j
αj"; “
λ
\lambda
λ”–>“
λ
j
\lambda_j
λj”p.233, 式(10.24)下面一行: “
A
=
(
α
1
;
α
2
;
…
;
α
m
)
{\bf A} = ({\bm \alpha}_1; {\bm \alpha}_2; \ldots; {\bm \alpha}_m)
A=(α1;α2;…;αm)” --> “
α
j
=
(
α
1
j
;
α
2
j
;
…
;
α
m
j
)
{\bm \alpha}^j = (\alpha_1^j; \alpha_2^j; \ldots; \alpha_m^j)
αj=(α1j;α2j;…;αmj)”p.233, 式(10.25)下面一行: 去掉 “,
α
i
j
\alpha_i^j
αij 是
α
i
{\bm \alpha}_i
αi 的第
j
j
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: “
x
27
\bm{x}_{27}
x27” --> “
x
24
\bm{x}_{24}
x24”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: 修订文件
(第一版第10次印刷, 2016年9月):
p.156, 式(7.24)分母: “
N
i
N_i
Ni” --> “N \times N_i”p.156, 式(7.25)下面一行: “其中
N
i
N_i
Ni” --> “其中
N
N
N 是
D
D
D 中可能的类别数,
N
i
N_i
Ni”p.156, 式(7.25)下面第4行, 分母: “
17
+
3
17+3
17+3” --> “
17
+
3
×
2
17 + 3 \times 2
17+3×2”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
×
3
×
3
+
1
=
37
4 \times 3 \times 3 + 1 = 37
4×3×3+1=37” --> “
4
×
4
×
4
+
1
=
65
4 \times 4 \times 4 + 1 = 65
4×4×4+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
e_{01} + e_{10}
e01+e10 通常很小, 需考虑连续性校正, 因此分子中有
−
1
-1
−1 项”p.45, 第一个边注: “由式(2.37)” --> “考虑到噪声不依赖于
f
f
f, 由式(2.37)”p.63, 式(3.45)下面一行: “
N
−
1
N-1
N−1个最大” --> “
d
′
d'
d′个最大非零”p.63, 式(3.45)下面第2行: “矩阵.” --> “矩阵,
d
′
≤
N
−
1
d'\le N-1
d′≤N−1.”; 加边注: “最多有
N
−
1
N-1
N−1个非零特征值”p.63, 式(3.45)下面第3行: “
N
−
1
N-1
N−1维” --> “
d
′
d'
d′维”p.63, 式(3.45)下面第4行: “
N
−
1
N-1
N−1通常远小于数据原有的属性数” --> “
d
′
d'
d′通常远小于数据原有的属性数
d
d
d”p.100, 图5.5, 左图最上面的 “阈值
0.5
0.5
0.5” --> “阈值
1.5
1.5
1.5”p.100, 图5.5, 左图最右边的 “阈值
0.5
0.5
0.5” --> “阈值
−
1.5
-1.5
−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
y_s
ys” --> “
1
/
y
s
1/y_s
1/ys”p.136, 式(6.54): 右边最后一项中的四处 “
i
i
i” --> “
j
j
j”p.136, 式(6.54): 右边最后一项中最后的 “
x
{\bm x}
x” --> “
x
i
{\bm x}_i
xi”p.152, 第三个式子等号右端: “
0.375
0.375
0.375” --> “
0.625
0.625
0.625”p.153, 第3行: “
0.038
0.038
0.038” --> “
0.063
0.063
0.063”p.153, 第6行: “
0.038
0.038
0.038” --> “
0.063
0.063
0.063”p.160, 式(7.29)下面第2行: “需多少字节来描述
D
D
D” --> “对
D
D
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
2
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
i=1
i=1” --> “
k
=
1
k=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
)
−
E
^
(
h
)
E(h) - \hat{E}(h)
E(h)−E^(h)” --> “
∣
E
(
h
)
−
E
^
(
h
)
∣
\left| E(h) - \hat{E}(h) \right|
E(h)−E^(h)
”p.299, 式(13.9)后第三段第2行: “关于
D
u
D_u
Du” --> “涉及
C
u
C_u
Cu”
(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
k
k较大(例如
>
30
>30
>30),若
k
k
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: “
(
f
l
T
f
u
T
)
T
({\bm f}_l^{\rm T}\,{\bm f}_u^{\rm T})^{\rm T}
(flTfuT)T” --> “
(
f
l
T
;
f
u
T
)
({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})
(flT;fuT)”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
−
\epsilon-
ϵ−贪心” --> “而不是为了最终使用”p.387, 倒数第二行: “
ϵ
−
\epsilon-
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
−
\epsilon-
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
W
\bf W
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: “
(
μ
0
−
μ
1
)
T
w
(\bm{\mu}_0 - \bm{\mu}_1)^{\rm T} \bm{w}
(μ0−μ1)Tw 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
q
q" --> “
l
l
l”p.399, 式(A.9): “
A
1
σ
n
A_{1 \sigma n}
A1σn” --> “
A
n
σ
n
A_{n \sigma n}
Anσn”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
A
2{\mathbf A}
2A” --> “
2
A
T
2{\mathbf A}^{\rm T}
2AT”
(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
′
\epsilon^{m'}
ϵm′” --> “
(
m
m
′
)
ϵ
m
′
{m \choose m'} \epsilon^{m'}
(m′m)ϵm′”p.119, 第14行: “318–362” --> “533–536”p.404, 式(B.3)最后一行的式子 --> “
λ
g
(
x
)
=
0
\lambda g({\bm x})=0
λg(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
α
i
{\bf \alpha}_i
αi” --> “以
α
i
{\bf \alpha}_i
αi为初值”p.256, 最后一段第1行: “
E
i
=
{\bf E}_i =
Ei=” --> “${\bf E}_i = {\bf X} - $”p.385, 式(16.25)和(16.26): 两处"
r
i
r_i
ri" --> “
R
i
R_i
Ri”p.385, 式(16.25)下一行: “若改用……” --> “其中
R
i
R_i
Ri表示第
i
i
i条轨迹上自状态
x
x
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
=
π
(
x
i
)
a_i=\pi(x_i)
ai=π(xi)始终为1”p.386, 图16.11, 第4步: 两处 “
π
(
x
)
\pi(x)
π(x)” --> “
π
(
x
i
)
\pi(x_i)
π(xi)”p.386, 图16.11, 第6步的式子 --> “
R
=
1
T
−
t
(
∑
i
=
t
+
1
T
r
i
)
∏
i
=
t
+
1
T
−
1
I
(
a
i
=
π
(
x
i
)
)
p
i
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}
R=T−t1(∑i=t+1Tri)∏i=t+1T−1piI(ai=π(xi))”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."
上一篇: Clapper:开源 AI 视频神器,让你轻松当导演——Hugging Face 工程师匠心之作
下一篇: 【AI驱动TDSQL-C Serverless数据库技术实战营】结合AI进行电商数据分析
本文标签
声明
本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。