PRML中文版(马春鹏)勘误表
PRML中文版(马春鹏)勘误表
PRML中文版(马春鹏)勘误表
前言:
PRML是严肃学习机器学习的首选教材。虽然内容略微陈旧,但是从写作水平来说,目前没有与之匹敌的其他读物。可惜我英语水平有限,原著读起来很容易疲劳,幸得网上流传的PRML中译版,整体流畅严谨,显然是译者在有相当理解的基础上翻译的。只是阅读的过程中偶有卡壳,结合英文版原著,发现有些小问题,这里都列出来,方便其他读者。根据我的阅读进度,本文会不定期更新。
位置:p11 (1.2)上面
原文:xn的预测值
y(xn,w)与目标值
tn的平方和
建议:xn的预测值
y(xn,w)与目标值
tn之差的平方和
位置:p21 (1.32)下面
原文:把每个实数变量除以区间的宽度△
建议:把每个实数变量划分为宽度为△的区间
位置:p23 中间
原文:袁术数据集
建议:原始数据集
位置:p23 (1.60) 式
说明:公式抄写有误,右括号位置不对。请参考原作
位置:p29倒数第二段
原文:如果验证机很小
建议:如果验证集很小
位置:p32 下半部分
原文:然后把方向变量积分出来
建议:然后把方向变量积分掉
说明:当时阅读这行没看懂,后来看原文是"integrate out"。这里意思是,二重积分中有两个变量,先将方向变量通过积分可以消去,只剩下半径,变成一重积分。
位置:p33 最后一行
原文:通过贝叶斯定理修改
建议:通过贝叶斯定理校正
说明:revised翻译为修改,不是太好理解。当然,我建议的翻译未必更好。所以看不懂的地方看看原文吧。
位置:p52 中间
原文:多项式分布
建议:多项分布
说明:Multinomial和多项式没关系,译文中出现过“多元分布”和“多项式分布”两种提法,建议统一改成“多项分布”
位置:p56 (2.24)式下方
原文:由于这个方差是一个整数
建议:由于这个方差是一个正数
位置:p61 (2.54)式
原文:公式抄写有误,|J2|应为
|J|2。读者可参考原文
位置:p61 (2.54)式下方
原文:行列式|Σ|的协方差矩阵可以写成特征值的乘积
建议:协方差矩阵的行列式|Σ|可以写成特征值的乘积
位置:p62 (2.60)式上方
原文:项μμT是常数,可以从积分中拿出。它本⾝等于单位矩阵,因为⾼斯分布是归⼀化的。
建议:项μμT是常数,可以从积分中拿出,此时积分为1,因为⾼斯分布是归⼀化的。
位置:p64 (2.70)式下方
原文:“完成平方项“
建议:“配平方”
原文:我们一直一个二次型
建议:我们已知一个二次型
位置:p64 (2.73)式下方
原文:现在考虑公式(2.70)中所有xa的常数项
建议:现在考虑公式(2.70)中所有xa的一阶项
位置:p70 (2.127)式下方
原文:如果我们有观测z和θ的一个大数据集
建议:如果我们有一个包含z和θ观测值的大数据集。
位置:p76 (2.159)式上方
原文:p(x|μa,b)
建议:p(x|μ,a,b)
位置:p78 (2.168)式上方
原文:然后令分量x1和
x2相等
建议:然后算出分量x1和
x2
位置:p78 (2.170)式上方
原文:感召惯例
建议:按照惯例
位置:p84 (2.205)式下方
原文:其中μk=lnμk
建议:其中ηk=lnμk
位置:p85 (2.211)式
说明:公式最后一行漏了个μj,请参看原版。
位置:p85 (2.212)式下方
原文:回带
建议:回代
位置:p85 (2.214)式
说明:式中的exp(μk)应为
exp(ηk)
位置:p85 (2.217)式
说明:最右边的exp(μTx)应为
exp(ηTx)
位置:p86 (2.224)上方
原文:对μ取梯度
建议:对η取梯度
位置:p86 (2.224)式
说明:ηTμ(x)应为
ηTu(x)
位置:p86 (2.228)式下方
原文:那么公式(2.228)的右侧变成了[u(x)]
建议:那么公式(2.228)的右侧变成了E[u(x)]
位置:p89 中间
原文:流入,如果生成数据的过程是单峰的
建议:例如,如果生成数据的过程是单峰的
位置:p91 (2.250)式下方
原文:令每个数据点都服从高斯分布
建议:将高斯函数应用到每个数据点
位置:p91 (2.251)式上方
原文:对于箱子狂赌的选择
建议:对于箱子宽度的选择
位置:p104 (3.21)式上方
原文:我们也可以关于噪声精度参数
建议:我们也可以针对噪声精度参数
位置:p107 (3.31)式下方
原文:是一个M为向量
建议:是一个M维向量
位置:p107 最后一行
原文:我们值考虑
建议:我们只考虑
位置:p113 (3.57)式下方
原文:p(t|w,w,β)
建议:p(t|w,β)
位置:p118 (3.66)式下面
原文:先验分布让我们能够表达不同模型之间的优先级
建议:先验分布让我们能够表达对不同模型之间的偏好
原文:它表达了数据展现出的不同模型的优先级
建议:它表达了数据展现出的对不同模型的偏好
位置:p121 (3.74)式上面
原文:或者被称为推广的最大似然
建议:或者被称为广义最大似然
位置:p136 (4.24)式上面
原文:一位空间
建议:一维空间
位置:p136 (4.27)式
公式抄错
位置:p138 (4.41)式
公式抄错
位置:p139 (4.54)式下方
原文:其中ϕn=ϕ(xn)和
M表示所有误分类模式的集合。
建议:其中ϕn=ϕ(xn),且
M表示所有误分类模式的集合。
位置:p147 中央
原文:另一种方法是显示地使用一般的线性模型的函数形式
建议:另一种方法是显式地使用一般的线性模型的函数形式
位置:p147 中央
原文:在直接方法中
建议:而直接方法是
说明:本段分为两部分,分别介绍直接方法和间接方法。使用这种表达会清楚一些。
位置:p168 上方
原文:这就使得误差函数在权空间的某些方向上是常数
建议:这就使得误差函数在权空间的某些方向上不变
位置:p168 上方
原文:对应的多分类交叉熵错误函数
建议:对应的多分类交叉熵误差函数
位置:p169 (5.31)式上方
原文:根据公式(5.18)
建议:根据公式(5.28)
位置:p198 (5.161)上方
原文:精度(方差的倒数)β为
建议:精度(方差的倒数)为β
PRML中文版(马春鹏)勘误表相关推荐
- 我找到的马春鹏版PRML的错误
P322 公式(10.27)写成方差,应该为精度(precision)
- “魅宅”张春鹏:智能家居的普及还是要依赖线下渠道
上周末,Google旗下Nest公司宣布收购了Revolv.这家老牌智能家居厂商这几年主要在做的一件事,就是用一款实体的小红盒子来做"中控器",兼容市面上已有的智能单品,包括Wi- ...
- 尹春鹏-Cocos游戏的自动化测试和崩溃分析
2019独角兽企业重金招聘Python工程师标准>>> 尹春鹏-Cocos游戏的自动化测试和崩溃分析 对游戏崩溃信息来讲,游戏开发者知道它崩溃了,但用户当时在干什么呢?Testin针 ...
- 中国科学院计算机与控制学院怎么样,中国科学院计算机与控制学院硕士生导师:马丙鹏副教授...
马丙鹏,中国科学院大学,计算机与控制学院,副教授,硕士生导师.2009年在中国科学院计算技术研究所获工学博士学位,师从高文院士.2009年9月至2013年3月期间任教于华中科技大学计算机科学与技术学院 ...
- 【马春杰杰】使用FPGA实现任意分频、二分频
博客已迁至[马春杰杰]http://www.machunjie.com/hardware/82.html 请移步新博客,谢谢.!
- 【科创人】易快报创始人兼CEO马春荃:擅长自黑的改良派,创业就是带着未知跑步前进
技术人不急于培养综合能力 2003年,毕业于北大的马春荃没有选择出国或进入名企大厂,而是加入了一家多位北大学长联合创建的新公司,理由便如一些技术出身但志不在Coding的专业人士一样:"希望 ...
- 易快报创始人兼CEO马春荃:做企业费控报销领域的“无人驾驶”
关注ITValue,看企业级最新鲜.最价值报道! 马春荃的微信昵称是"易快报首席服务官". 作为一家SaaS费控企业,易快报不仅服务了近5000家付费客户,同时也积累了大量的潜在 ...
- 专访易快报马春荃:建设业财税档一体化体系,是企业数字化转型的关键
"[报告下载]后台回复关键词"数据智能"可免费下载数据猿最新发布的完整高清版<2021中国数据智能产业发展报告> 大数据产业创新服务媒体 --聚焦数据 · 改 ...
- 书单:算法工程师的入门书籍推荐
目录 0. 写在前面 1. 工程实用类 2. 进一步的机器学习算法类 3. 更细方向 计算机视觉 推荐系统 / 自然语言处理 4. 计算机素养 5. 数学知识补充 0. 写在前面 本文适合于想要自学机 ...
最新文章
- Java 的Comparator比较器用法
- 怎么设计接口测试用例更好——百度大佬“教你写用例”
- redis 安装简介
- Flask组件之Flask-SQLAlchemy
- 电子政务建设模式的演进
- JAVA博客和书籍推荐
- appfuse mysql_学习 AppFuse
- 绩效管理-目标拆解技巧
- 万物互联会改变什么?
- 如何成为一名合格的算法工程师?我们做了一次技能拆分…
- 免费证件照换底色微信小程序
- mp4格式-播放和断点续播
- 帝国采集发布-帝国免规则采集发布
- 文件监控脚本 -- Linux bash
- 网络使用工具HttpWatch的使用方法
- JAVA 下的 pgp加密解密示例
- iceberg-flink 八:累积窗口使用。(CUMULATE)
- 如何使用内存法实现图片的浮雕出来_ps修图改字:制作逼真皮革艺术文字图片的PS教程...
- 十分钟带汝入门大数据开发语言Scala
- 上海沙龙回顾 | ​字节跳动在Spark SQL上的核心优化实践
热门文章
- 机器视觉——双目视觉的基础知识(视差深度、标定、立体匹配)
- C++ Primer Plus学习(七)——函数简介
- 数字化方法基础_常用函数
- stl之list双向链表容器应用基础
- mysql 试题_超经典MySQL练习50题,做完这些你的SQL就过关了
- python的chr可以转换中文吗,chr()在python中怎么实现编码的转换
- mysql第二条减第一条_Mysql SQL优化
- vb登录ftp服务器并打开文档,VB.Net实现登陆Ftp的方法
- 基于java的随机森林算法_基于Spark实现随机森林代码
- php模板和框架,php模板和框架的区别的区别是什么