如何使用本书(写在第十次印刷之际)：[PDF]
本书 2016 年 1 月底出版, 首印 5000 册一周内竟告售罄; 此后 8 个月重印 9 次, 累积
72000 册; 先后登上亚马逊、京东、当当网等的计算机类畅销书榜首. 出乎预料的销量和受欢迎程度, 意味着本书读者已大大超出了预设的目标人群, 这使作者隐隐产生了些许不安, 感觉有必要说一说本书的立场, 以及使用本书需注意的一些事项. 因此, 在第 10 次印刷之际草就本文.
首先, 读者诸君务须注意, 本书是一本教科书.
如本书“后记”所述, 写作本书的主因是作者要开设“机器学习”课. 根据作者的从教经验, 若每堂课涉及页码过多, 则不少同学由于选修多门功课, 在课后或许难有兴趣和精力认真钻研阅读, 教师也会因“包袱太重”而失去个人发挥的空间. 因此, 作为一学期课程的教材, 本书篇幅进行了仔细考量: 16 章正文, 每章 6-7 节, 一般不超过 25 页. 研究生课程若每学期
18 周, 则除去习题和答疑时间, 基本上每周讲授一章; 本科生课程则可进度稍缓, 一学期讲授 9-10 章. 囿于此限, 作者需对内容材料、以及材料讲述的程度进行取舍; 否则若不分巨细，其篇幅可能令读者望而生畏. 因此, 读者不要指望本书是无所不包、“从入门到精通”的书籍. 事实上, 对机器学习这个发展极迅速、已变得非常广袤的学科领域, 那样的书尚不存在; 即便出现, 也非数千页不止, 不适于用作教科书.
第二, 这是一本入门级教科书.
作者以为, 入门阶段最需要的是理清基本概念、了解领域概貌. 这好比人们到了一个陌生的地方, 首先要去找张地图, 大致弄清哪里是山、哪里有水、自己身在何处, 然后才好到具体区域去探索. 读者当然都希望所学“既广且深”, 但在有限时间内必先有个折中. 在入门阶段, “顾及细微”应该让位于“观其大略”, 否则难免只见树木、不见森林. 因此, 作者试图通过化繁为简的讲述,
使读者能在有限的篇幅中感受更多的、应该接触到的内容. 一定程度上说, 本书的主要目的就是为读者提供一张“初级地形图”、给初学者“指路”, 而本书提供的这张“地形图”, 其覆盖面与同类英文书籍相较不遑多让.
机器学习中存在多种学派可从其角度阐释其他学派的内容. 作者以为, 理解学派间的包容等价, 在进阶之后对融汇贯通大有裨益, 但在入门阶段, 先看到各自的本原面貌更为重要. 因为没有任何一个学派能完全“碾压”其他, 而过早先入为主地强化某学派观念, 对理解欣赏其他学派的妙处会埋下隐碍. 因此，本书尽可能从材料的“原生态”出发讲述, 仅在少数地方简略点出联系. 需说明的是, 作者试图以相近深度讲述主要内容. 读者若感到在某些地方“意犹未尽”, 或因作者以为, 入门阶段到此程度已可,
对其他内容的初窥优先于此处的进一步深究. 另外, 机器学习飞速发展, 很多新进展在学界尚无公论之前, 作者以为不适于写入入门级教科书中； 但为了不致于与学科前沿脱节, 本书也简略谈及一些本领域专家有初步共识的相对较新的内容.
第三, 这是一本面向理工科高年级本科生和研究生的教科书.
对前沿学科领域的学习, 必然需有基础知识作为先导. 为便于尽可能多的读者通过本书对机器学习有所了解, 作者已试图尽可能少地使用数学知识, 很多材料尽可能选择易于理解的方式讲述. 若读者感觉书中涉及的数学较深, 且自己仅需对机器学习做一般了解, 则不妨略过细节仅做概观, 否则建议对相关基础知识稍作复习以收全功. 囿于篇幅, 作者对许多材料尽可能述其精要、去其细冗, 所涉数学推导在紧要处给出阐释, 对理工科高年级同学稍下工夫就易自行弄清的繁冗则惜墨不赘.
读者不要指望通过读这本入门级教科书就能成为机器学习专家, 但书中各章分别给出了一些文献指引, 有兴趣的读者不妨据此进一步深造. 另外, 互联网时代之信息获取已相当便利, 读者可以容易地在网上找到机器学习中关于单个“知识点”的内容, 而信息搜索是理工科学生必备的本领, 只需知道自己在“找”什么, 就应该一定能找到材料. 根据本书提供的“地形图”, 读者若渴望对某个知识点进一步探究, “按图索骥”应无太大困难.
第四, 这本书不妨多读几遍.
初学机器学习易陷入一个误区: 以为机器学习是若干种算法(方法)的堆积, 熟练了“十大算法”或“二十大算法”一切即可迎刃而解, 于是将目光仅聚焦在具体算法推导和编程实现上; 待到实践发现效果不如人意, 则又转对机器学习发生怀疑. 须知, 书本上仅能展示有限的典型“套路”,而现实世界任务千变万化, 以有限之套路应对无限之变化, 焉有不败！现实中更多时候, 需依据任务特点对现有套路进行改造融通. 算法是“死”的, 思想才是“活”的.
欲行此道, 则务须把握算法背后的思想脉络, 无论创新科研还是应用实践, 皆以此为登堂入室之始. 本书在有限篇幅中侧重于斯, 冀望辅助读者奠造进一步精进的视野心法. 读者由本书初入门径后, 不妨搁书熟习“套路”, 数月后再阅,
于原不经意处或能有新得. 此外, 作者在一些角落融入了自己多年研究实践的些微心得, 虽仅只言片语, 但可能不易得之, 进阶读者阅之或可莞尔.
读者若仅对某几种具体机器学习技术的算法推导或工程实现感兴趣, 则本书可能不太适合; 若仅需机器学习算法“速查手册”, 则直接查看维基百科可能更便利一些.
作者自认才疏学浅, 对机器学习仅略知皮毛, 更兼时间和精力所限, 书中错谬之处甚多, 虽每次印刷均对错处或易误解处做勘误修订, 但仍在所难免, 若蒙读者诸君不吝告知,
将不胜感激.
(邮件标题:“机器学习”勘误;
发送至: zhouzh AT nju.edu.cn. 因作者忙于科研教学且诸多俗务缠身, 时间精力所限, 非勘误的学习问题恕难回复,
敬请读者诸君海涵)
勘误修订
(Latex格式)
[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]
(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，$p_{i^*}$ --> $\bm{p}_{i^*}$
- 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):
(第一版第39次印刷, 2022年9月):
(第一版第38次印刷, 2022年1月):
(第一版第37次印刷, 2021年10月):
(第一版第36次印刷, 2021年5月):
- p.38, 式(2.27), $\epsilon_0 \times m$ --> $\epsilon \times m$
- p.38, 式(2.27), $\epsilon^{i} (1-\epsilon)^{m-i}$ --> $\epsilon_0^{i} (1-\epsilon_0)^{m-i}$
(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): $\bm\beta^{t+1}$ --> $\bm\beta^{'}$, $\bm\beta^{t}$ --> $\bm\beta$
- p.325, 第5行： "${\bf x}_{V \setminus \langle u, v\rangle}$" --> "${\bf x}_{V \setminus \{ u, v \}}$"
- 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"$^{\top}$" --> "$^{\rm
T}$"
- 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~$A^*$"
- 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): "$i<j)$" --> "$i<j$"
- 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32次印刷,
2019年12月)
(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~$\ell_{\rm
exp}(H_{t-1} + \alpha_t h_t \mid \mathcal{D})$, 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30次印刷,
2018年12月)
(第一版第29次印刷,
2018年11月)
(第一版第28次印刷,
2018年8月)
(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: "$f(x)$" --> "$f(\bm{x})$"
(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 "$(\bm{\miu}_i, \bm{\miu}_j)$"
--> "$(C_i, C_j)$"
(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~$\mu
\sum_{i=l+1}^{l+u}\|\mathbf{F}_{i}\|^{2}$, 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~$n-2$" --> "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："$y = \bm{w}^{\rm T}\bm{x}$,
$y$" --> "投影方向~$\bm{w}$"
- 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~$x$,
$y$, $\bf{z}$~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~${1
\over {m-1}}\sum\nolimits_{i=1}^m\bm{x}_i\bm{x}_i^{\rm T}$, 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: "$\pi^{\epsilon}(x)$" --> "$a
= \pi^{\epsilon}(x)$"
- p.388, 图16.13, 步骤8: 去掉", $a
= a'$"
(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: "$c_2$" --> "$c_1$"
(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: "$j = 1, 2, \ldots, m$" --> "$j
= i+1, \ldots, m$"
- p.230, 式(10.14)结尾: "." --> ","
- p.230, 式(10.14)下面一行开头顶格插入: "其中${\bf
W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)$."
- p.231, 式(10.17): 两处"${\bf W}$"-->"${\bm
w}_i$", "$\lambda$" --> "$\lambda_i$"
- p.231, 式(10.17)下面第二行: "${\bf W}$" -->
"${\bf W}^*$"
- p.231, 图10.5最后一行: "${\bf W}$" --> "${\bf
W}^*$"
- p.232, 第一行: "${\bf W}$" --> "${\bf
W}^*$"
- p.232, 式(10.19)前第二行: "${\bf W}$" --> "${\bf
W} = (\bm{w}_1, \bm{w}_2, \ldots, \bm{w}_d)$"
- p.232, 式(10.19)前第二行: "即PCA欲求解" --> "则对于
$\bm{w}_j$, 由式(10.17)有"
- p.232, 式(10.19): 两处"${\bf W}$"-->"${\bm
w}_j$"; "$\lambda$" --> "$\lambda_j$"
- p.233, 式(10.20): 三处"${\bf W}$"-->"${\bm
w}_j$"; 两处"$\lambda$"-->"$\lambda_j$";
"${\bm \alpha}_i$"-->"$\alpha_i^j$"
- p.233, 式(10.20)下一行: "${\bm \alpha}_i$"-->"$\alpha_i^j$";
"$\lambda$"-->"$\lambda_j$"; "${\bf W}$"-->"${\bm
w}_j$"
- p.233, 式(10.20)下一行: ". 假定" --> "是${\bm
\alpha}_i$的第$j$个分量. 假定"
- p.233, 式(10.21): 两处"${\bf W}$"-->"${\bm
w}_j$"; "$\lambda$"-->"$\lambda_j$"
- p.233, 式(10.22): "${\bf W}$"-->"${\bm
w}_j$"; "${\bm \alpha}_i$"-->"$\alpha_i^j$"
- p.233, 式(10.24): 两处"${\bf A}$"-->"${\bm
\alpha}^j$"; "$\lambda$"-->"$\lambda_j$"
- p.233, 式(10.24)下面一行: "${\bf A} = ({\bm \alpha}_1;
{\bm \alpha}_2; \ldots; {\bm \alpha}_m)$" --> "${\bm \alpha}^j
= (\alpha_1^j; \alpha_2^j; \ldots; \alpha_m^j)$"
- p.233, 式(10.25)下面一行: 去掉 ", $\alpha_i^j$ 是
${\bm \alpha}_i$ 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: "$\bm{x}_{27}$" --> "$\bm{x}_{24}$"
- 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: 修订文件
(第一版第12次印刷,
2016年11月)
(第一版第11次印刷,
2016年10月)
(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" --> "$d'$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: "$({\bm f}_l^{\rm T}\,{\bm f}_u^{\rm T})^{\rm
T}$" --> "$({\bm f}_l^{\rm T}; {\bm f}_u^{\rm T})$"
- 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5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4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: "$\epsilon^{m'}$" --> "${m \choose m'} \epsilon^{m'}$"
- 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${\bf \alpha}_i$" --> "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."
[Home]
