【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）

文章目录

[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​+αt​ht​∣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=1m​xi​xiT​, 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} (flT​fuT​)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+1T​ri​)∏i=t+1T−1​pi​I(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×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

(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 β
• 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.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​+αt​ht​∣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=1m​xi​xiT​, 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} (flT​fuT​)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+1T​ri​)∏i=t+1T−1​pi​I(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."