机器学习 周志华 勘误表

周志华 著. 机器学习, 北京: 清华大学出版社, 2016年1月.
(ISBN 978-7-302-206853-6) 425页，62.6万字

勘误修订
(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αi” –> “以αi为初值”
p.256, 最后一段第1行: “Ei=” –> “Ei=X−”
p.385, 式(16.25)和(16.26): 两处”ri” –> “Ri”
p.385, 式(16.25)下一行: “若改用……” –> “其中Ri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ai=π(xi)始终为1”
p.386, 图16.11, 第4步: 两处 “π(x)” –> “π(xi)”
p.386, 图16.11, 第6步的式子 –> “R=1T−t(∑Ti=t+1ri)∏T−1i=t+1I(ai=π(xi))pi”
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.”
(第一版第二次印刷, 2016年2月)：
p.38, 第6行: “ϵm′” –> “(mm′)ϵm′”
p.119, 第14行: “318–362” –> “533–536”
p.404, 式(B.3)最后一行的式子 –> “λg(\bmx)=0”
(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”
(第一版第四次印刷, 2016年3月)：
p.59, 式(3.27)加边注: “考虑 yi∈{0,1}”
(第一版第五次印刷, 2016年3月)：
p.62, 第1行加边注: “(\bmμ0−\bmμ1)T\bmw 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): “A1σn” –> “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: “2A” –> “2{\mathbf A}^{\rm T}”
(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: “(\bmfTl\bmfTu)T” –> “(\bmfTl;\bmfTu)”
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 W 通常是对称矩阵”

勘误表转自周志华教授的主页：
http://cs.nju.edu.cn/zhouzh/index.htm